MedVisionLlama: Leveraging Pre-Trained Large Language Model Layers to Enhance Medical Image Segmentation
Notice bibliographique
Résumé
Medical image segmentation plays a key role in healthcare, enabling accurate diagnosis and treatment planning. Vision Transformers (ViTs) show strong potential for segmentation tasks, but their dependence on large datasets limits practical usage in clinical settings. This study explores whether integrating pre-trained Large Language Models (LLMs) with ViT-based segmentation models can enhance feature refinement and improve performance in data-constrained environments. We introduce MedVisionLlama, which combines ViT encoders with pre-trained Llama weights and applies Low-Rank Adaptation (LoRA) for fine-tuning in 3D medical image segmentation. Evaluated on the Medical Segmentation Decathlon dataset, the model consistently outperformed a standard ViT, showing improved generalization across MRI and CT modalities. It maintained stable segmentation quality even with limited training data and across varied anatomical structures. Activation maps revealed sharper and more stable attention to relevant regions. Ablation studies confirmed that the performance gains stemmed from LLM-based feature refinement rather than increased model complexity. MedVisionLlama offers a scalable and data-efficient solution for medical image segmentation. Source code and implementation are available at: https://github.com/AS-Lab/Marthi-etal-2025-MedVisionLlama-Pre-Trained-LLM-Layers-to-Enhance-Medical-Image-Segmentation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».