論文の概要: Automated Labelling using an Attention model for Radiology reports of
MRI scans (ALARM)
- arxiv url: http://arxiv.org/abs/2002.06588v1
- Date: Sun, 16 Feb 2020 15:04:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-31 18:17:31.914954
- Title: Automated Labelling using an Attention model for Radiology reports of
MRI scans (ALARM)
- Title（参考訳）: MRIスキャン(ALARM)の放射線診断における注意モデルを用いた自動ラベリング
- Authors: David A. Wood, Jeremy Lynch, Sina Kafiabadi, Emily Guilhem, Aisha Al
Busaidi, Antanas Montvila, Thomas Varsavsky, Juveria Siddiqui, Naveen Gadapa,
Matthew Townend, Martin Kiik, Keena Patel, Gareth Barker, Sebastian Ourselin,
James H. Cole, Thomas C. Booth
- Abstract要約: 磁気共鳴画像(MRI)の放射線画像分類のためのトランスフォーマーを用いたネットワークを提案する。
我々のモデルの性能は、専門家の放射線技師のパフォーマンスに匹敵し、専門家の医師のパフォーマンスに匹敵する。
私たちは、研究者が医療画像アプリケーションのために独自のMRIデータセットをラベル付けするためのコードをオンラインで公開しています。
- 参考スコア（独自算出の注目度）: 0.8163463207064016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Labelling large datasets for training high-capacity neural networks is a
major obstacle to the development of deep learning-based medical imaging
applications. Here we present a transformer-based network for magnetic
resonance imaging (MRI) radiology report classification which automates this
task by assigning image labels on the basis of free-text expert radiology
reports. Our model's performance is comparable to that of an expert
radiologist, and better than that of an expert physician, demonstrating the
feasibility of this approach. We make code available online for researchers to
label their own MRI datasets for medical imaging applications.
- Abstract（参考訳）: 高容量ニューラルネットワークをトレーニングするための大規模なデータセットのラベリングは、ディープラーニングベースの医療画像アプリケーションの開発において大きな障害となる。
本稿では,画像ラベルをフリーテキスト・エキスパート・ラジオグラフィー・レポートに基づいて割り当てることにより,このタスクを自動化したMRIラジオグラフィーレポート分類のためのトランスフォーマーベースネットワークを提案する。
我々のモデルの性能は、専門家の放射線技師のそれと同等であり、専門家の医師のそれよりも優れており、このアプローチの実現可能性を示している。
研究者が医療画像アプリケーションのために独自のMRIデータセットをラベル付けするためのコードをオンラインで公開しています。
関連論文リスト
- Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。
現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。
テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文 参考訳（メタデータ） (2024-09-25T11:14:47Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Cross-modal Memory Networks for Radiology Report Generation [30.13916304931662]
ラジオロジーレポート生成のためのエンコーダデコーダフレームワークを強化するために,クロスモーダルメモリネットワーク(CMN)を提案する。
本モデルでは,放射線画像やテキストからの情報の整合性が向上し,臨床指標の精度向上に寄与する。
論文 参考訳（メタデータ） (2022-04-28T02:32:53Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳（メタデータ） (2021-10-12T21:22:24Z) - Generating Radiology Reports via Memory-driven Transformer [38.30011851429407]
本稿では,メモリ駆動型トランスフォーマを用いた放射線学レポートの作成を提案する。
IU X線とMIMIC-CXRの2つの代表的な放射線学報告データセットの実験結果
論文 参考訳（メタデータ） (2020-10-30T04:08:03Z) - Paying Per-label Attention for Multi-label Extraction from Radiology
Reports [1.9601378412924186]
脳卒中患者の頭部CT像から構造化ラベルを自動抽出する。
神経疾患に関する放射線学的所見と臨床的印象に対応する31のラベル群を提案する。
放射線学者の報告によると、我々は単一のモデルで多くのラベルをしっかりと抽出することができる。
論文 参考訳（メタデータ） (2020-07-31T16:11:09Z) - Labelling imaging datasets on the basis of neuroradiology reports: a
validation study [0.3871995016053975]
我々の経験では、レポートのみからのイメージにバイナリラベルを割り当てることは極めて正確である。
しかし、バイナリラベルとは対照的に、より粒度の細かいラベルの精度はカテゴリに依存する。
また,非専門家によるトレーニングレポートのラベル付けを行うと,下流モデルの性能が低下することを示す。
論文 参考訳（メタデータ） (2020-07-08T16:12:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。