論文の概要: Unifying Neural Learning and Symbolic Reasoning for Spinal Medical Report Generation

• arxiv url: http://arxiv.org/abs/2004.13577v1
• Date: Tue, 28 Apr 2020 15:06:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 21:59:14.785515
• Title: Unifying Neural Learning and Symbolic Reasoning for Spinal Medical Report Generation
• Title（参考訳）: 脊椎医療報告生成のための統一型ニューラルラーニングとシンボリック推論
• Authors: Zhongyi Han, Benzheng Wei, Yilong Yin, Shuo Li
• Abstract要約: 本稿では,深層学習と記号論理的推論を統一することにより,人間的な学習を行うニューラル・シンボリック・ラーニング・フレームワークを提案する。 我々のアルゴリズムは、既存の脊髄構造検出手法をはるかに上回っている。
• 参考スコア（独自算出の注目度）: 33.818136671925444
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated medical report generation in spine radiology, i.e., given spinal medical images and directly create radiologist-level diagnosis reports to support clinical decision making, is a novel yet fundamental study in the domain of artificial intelligence in healthcare. However, it is incredibly challenging because it is an extremely complicated task that involves visual perception and high-level reasoning processes. In this paper, we propose the neural-symbolic learning (NSL) framework that performs human-like learning by unifying deep neural learning and symbolic logical reasoning for the spinal medical report generation. Generally speaking, the NSL framework firstly employs deep neural learning to imitate human visual perception for detecting abnormalities of target spinal structures. Concretely, we design an adversarial graph network that interpolates a symbolic graph reasoning module into a generative adversarial network through embedding prior domain knowledge, achieving semantic segmentation of spinal structures with high complexity and variability. NSL secondly conducts human-like symbolic logical reasoning that realizes unsupervised causal effect analysis of detected entities of abnormalities through meta-interpretive learning. NSL finally fills these discoveries of target diseases into a unified template, successfully achieving a comprehensive medical report generation. When it employed in a real-world clinical dataset, a series of empirical studies demonstrate its capacity on spinal medical report generation as well as show that our algorithm remarkably exceeds existing methods in the detection of spinal structures. These indicate its potential as a clinical tool that contributes to computer-aided diagnosis.
• Abstract（参考訳）: 脊椎放射線学における医療報告の自動生成、すなわち、臨床的な意思決定を支援するために、脊椎医レベルの診断レポートを直接作成することは、医療における人工知能の領域において、新しくながら基礎的な研究である。 しかし、視覚知覚と高レベルの推論プロセスを伴う非常に複雑なタスクであるため、非常に困難である。 本稿では,深層神経学習とシンボリック論理推論を統合し,脊髄医用レポート生成のための人間型学習を実現するニューラルシンボリック学習(nsl)フレームワークを提案する。 一般的に、nslフレームワークはまず深層ニューラルネットワークを使用して人間の視覚知覚を模倣し、標的脊髄構造の異常を検出する。 具体的には,シンボルグラフ推論モジュールを,事前のドメイン知識を埋め込んで,複雑で可変性の高い脊髄構造のセマンティックセマンティックセグメンテーションを実現することで,生成する逆数ネットワークに補間する逆数グラフネットワークを設計する。 nslは第2に、メタ解釈学習による異常の検出エンティティの教師なし因果効果分析を実現する、人間のような象徴的論理推論を行う。 NSLは最終的にこれらの疾患の発見を統一テンプレートに満たし、総合的な医療報告の生成に成功した。 実世界の臨床データセットに採用した場合,脊髄の医療報告生成能力に関する一連の実証研究は,このアルゴリズムが既存の脊髄構造検出法をはるかに上回ることを示した。 これらは、コンピュータ支援診断に寄与する臨床ツールとしての可能性を示している。

関連論文リスト

• Adversarial Neural Networks in Medical Imaging Advancements and Challenges in Semantic Segmentation [6.88255677115486]
  人工知能(AI)の最近の進歩は、医療画像のパラダイムシフトを引き起こしている。 本稿では,脳画像のセマンティックセグメンテーションへの深層学習(AIの主分野)の統合を体系的に検討する。 敵対的ニューラルネットワークは、自動化するだけでなく、セマンティックセグメンテーションプロセスを洗練する、新しいAIアプローチである。
  論文  参考訳（メタデータ） (2024-10-17T00:05:05Z)
• AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
  放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。 この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。 地盤自動報告生成(AutoRG)に関する一連の研究を開始した。 このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
  論文  参考訳（メタデータ） (2024-07-23T17:50:00Z)
• 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)
• Don't PANIC: Prototypical Additive Neural Network for Interpretable Classification of Alzheimer's Disease [2.4469484645516837]
  本稿では,アルツハイマー病 (AD) の分類を解釈するための原型付加型ニューラルネットワークであるPANICを提案する。 PANICはAD分類における最先端のパフォーマンスを達成し,局所的およびグローバルな説明を直接提供することを示す。
  論文  参考訳（メタデータ） (2023-03-13T13:56:20Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical Development Patterns of Preterm Infants [73.85768093666582]
  我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。 NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
  論文  参考訳（メタデータ） (2023-01-01T12:48:12Z)
• Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis [31.281194583900998]
  本稿では、障害特異的な関心領域(ROI)と顕著なつながりを分析するための解釈可能なフレームワークを提案する。 提案するフレームワークは,脳ネットワーク指向の疾患予測のためのバックボーンモデルと,グローバルに共有された説明生成装置の2つのモジュールから構成される。
  論文  参考訳（メタデータ） (2022-06-30T08:02:05Z)
• Functional2Structural: Cross-Modality Brain Networks Representation Learning [55.24969686433101]
  脳ネットワーク上のグラフマイニングは、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を促進する可能性がある。 本稿では,Deep Signed Brain Networks (DSBN) と呼ばれる新しいグラフ学習フレームワークを提案する。 臨床表現型および神経変性疾患予測の枠組みを,2つの独立した公開データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-05-06T03:45:36Z)
• Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease Using Structural and Synthesized Functional MRI Data [8.388888908045406]
  脳MRIにおける構造-機能変換を初めて学習することにより,潜在的な解決策を提案する。 次に,大規模構造スキャンから空間整合機能画像を合成する。 時間的ローブは最も予測可能な構造領域であり、パリエト後頭ローブはモデルで最も予測可能な機能領域である。
  論文  参考訳（メタデータ） (2021-04-10T03:16:33Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Longitudinal Self-Supervised Learning [13.094393751939837]
  グラウンド・トゥルース・ラベルは神経科学においてしばしば欠落しているか高価である。 本稿では,MRIと潜在画像表現の関連因子間の多変量写像を定式化することにより,歪みの新たな定義を提案する。 我々は、画像表現から脳年齢を乱すコサインロスを伴う標準的な自動符号化構造を用いて、LSSL(Longitudinal Self-Supervised Learning)というモデルを実装した。
  論文  参考訳（メタデータ） (2020-06-12T03:35:17Z)

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。