論文の概要: When Radiology Report Generation Meets Knowledge Graph
- arxiv url: http://arxiv.org/abs/2002.08277v1
- Date: Wed, 19 Feb 2020 16:39:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 12:51:09.465212
- Title: When Radiology Report Generation Meets Knowledge Graph
- Title（参考訳）: 放射線レポート生成が知識グラフを満たしたとき
- Authors: Yixiao Zhang, Xiaosong Wang, Ziyue Xu, Qihang Yu, Alan Yuille, Daguang
Xu
- Abstract要約: 放射線画像診断では, 陽性疾患キーワードの精度が重要である。
報告品質の評価は、疾患キーワードとその関連属性のマッチングをより重視すべきである。
我々は,同じ合成グラフの助けを借りて,放射線画像レポートのための新しい評価基準を提案する。
- 参考スコア（独自算出の注目度）: 17.59749125131158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic radiology report generation has been an attracting research problem
towards computer-aided diagnosis to alleviate the workload of doctors in recent
years. Deep learning techniques for natural image captioning are successfully
adapted to generating radiology reports. However, radiology image reporting is
different from the natural image captioning task in two aspects: 1) the
accuracy of positive disease keyword mentions is critical in radiology image
reporting in comparison to the equivalent importance of every single word in a
natural image caption; 2) the evaluation of reporting quality should focus more
on matching the disease keywords and their associated attributes instead of
counting the occurrence of N-gram. Based on these concerns, we propose to
utilize a pre-constructed graph embedding module (modeled with a graph
convolutional neural network) on multiple disease findings to assist the
generation of reports in this work. The incorporation of knowledge graph allows
for dedicated feature learning for each disease finding and the relationship
modeling between them. In addition, we proposed a new evaluation metric for
radiology image reporting with the assistance of the same composed graph.
Experimental results demonstrate the superior performance of the methods
integrated with the proposed graph embedding module on a publicly accessible
dataset (IU-RR) of chest radiographs compared with previous approaches using
both the conventional evaluation metrics commonly adopted for image captioning
and our proposed ones.
- Abstract（参考訳）: 近年, 医師の作業負荷軽減のため, 自動放射線診断レポート作成がコンピュータ支援診断の課題となっている。
自然画像キャプションのための深層学習技術は, 放射線学レポート作成に有効である。
しかし、放射線画像報告は自然画像キャプション課題とは2つの側面で異なる。
1) 自然画像キャプションにおける各単語の等価重要度と比較し,放射線画像報告において,正の疾患キーワード言及の正確さが重要である。
2)報告品質の評価は,n-gramの発生を考慮せず,疾患キーワードとその関連属性の一致に重点を置くべきである。
これらの懸念に基づき, グラフ畳み込みニューラルネットワークでモデル化したグラフ埋め込みモジュールを複数の疾患の発見に活用し, 本研究における報告の生成を支援することを提案する。
ナレッジグラフの導入により、疾患発見ごとに専用の特徴学習と、それら間の関係モデリングが可能になる。
また,同じ構成グラフを用いて放射線画像の報告を行うための新しい評価指標を提案した。
実験により, 胸部X線画像の公開アクセスデータセット (IU-RR) にグラフ埋め込みモジュールを組み込んだ手法が, 従来の画像キャプションによく用いられる評価基準と提案手法の両方を用いて, 従来の手法と比較して優れた性能を示した。
関連論文リスト
- 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) - Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report
Generation [47.250147322130545]
画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。
既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。
胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
論文 参考訳（メタデータ） (2023-11-18T14:37:53Z) - Reading Radiology Imaging Like The Radiologist [3.218449686637963]
我々は、より正確で現実的に整合性のある疾患記述を生成するために、事実整合キャプションジェネレータを設計する。
本研究の枠組みは,病型指向マスクの検索により,CXRデータベースから最も類似した疾患の報告を見つけることができる。
論文 参考訳（メタデータ） (2023-07-12T05:36:47Z) - ORGAN: Observation-Guided Radiology Report Generation via Tree Reasoning [9.316999438459794]
観測誘導放射線学レポート生成フレームワーク(ORGAN)を提案する。
最初は観測計画を作成し、その後、レポート生成のための計画と電信の両方を供給している。
本フレームワークは,テキストの品質と臨床効果に関して,これまでの最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-06-10T15:36:04Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - Radiology Report Generation with a Learned Knowledge Base and
Multi-modal Alignment [27.111857943935725]
胸部X線からのレポート生成のための自動マルチモーダルアプローチを提案する。
本手法は,学習知識ベースとマルチモーダルアライメントの2つの異なるモジュールを特徴とする。
両モジュールの助けを借りて、我々のアプローチは明らかに最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2021-12-30T10:43:56Z) - Word Graph Guided Summarization for Radiology Findings [24.790502861602075]
そこで本研究では, 単語グラフを抽出し, 単語とその関係を自動印象生成する手法を提案する。
WGSum(Word Graph guided Summarization model)は、単語グラフの助けを借りて印象を生成するように設計されている。
OpenIとMIMIC-CXRの2つのデータセットによる実験結果から,提案手法の有効性と有効性が確認された。
論文 参考訳（メタデータ） (2021-12-18T13:20:18Z) - Variational Topic Inference for Chest X-Ray Report Generation [102.04931207504173]
医療画像のレポート生成は、作業負荷を減らし、臨床実習における診断を支援することを約束する。
近年の研究では、ディープラーニングモデルが自然画像のキャプションに成功していることが示された。
本稿では,自動レポート生成のための変分トピック推論を提案する。
論文 参考訳（メタデータ） (2021-07-15T13:34:38Z) - Auxiliary Signal-Guided Knowledge Encoder-Decoder for Medical Report
Generation [107.3538598876467]
放射線技師の動作パターンを模倣する補助信号誘導知識デコーダ(ASGK)を提案する。
ASGKは、内的特徴融合と外部医療言語情報を統合して、医療知識の伝達と学習をガイドする。
論文 参考訳（メタデータ） (2020-06-06T01:00:15Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。