論文の概要: Automated Radiological Report Generation For Chest X-Rays With
Weakly-Supervised End-to-End Deep Learning
- arxiv url: http://arxiv.org/abs/2006.10347v1
- Date: Thu, 18 Jun 2020 08:12:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 13:49:41.411152
- Title: Automated Radiological Report Generation For Chest X-Rays With
Weakly-Supervised End-to-End Deep Learning
- Title（参考訳）: 極端に高速な深層学習による胸部X線の自動生成
- Authors: Shuai Zhang, Xiaoyan Xin, Yang Wang, Yachong Guo, Qiuqiao Hao,
Xianfeng Yang, Jun Wang, Jian Zhang, Bing Zhang, Wei Wang
- Abstract要約: 我々は12,000以上のCXRスキャンと放射線学的レポートを含むデータベースを構築した。
我々は,深層畳み込みニューラルネットワークとアテンション機構を持つリカレントネットワークに基づくモデルを開発した。
このモデルは、与えられたスキャンを自動的に認識し、レポートを生成する。
- 参考スコア（独自算出の注目度）: 17.315387269810426
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The chest X-Ray (CXR) is the one of the most common clinical exam used to
diagnose thoracic diseases and abnormalities. The volume of CXR scans generated
daily in hospitals is huge. Therefore, an automated diagnosis system able to
save the effort of doctors is of great value. At present, the applications of
artificial intelligence in CXR diagnosis usually use pattern recognition to
classify the scans. However, such methods rely on labeled databases, which are
costly and usually have large error rates. In this work, we built a database
containing more than 12,000 CXR scans and radiological reports, and developed a
model based on deep convolutional neural network and recurrent network with
attention mechanism. The model learns features from the CXR scans and the
associated raw radiological reports directly; no additional labeling of the
scans are needed. The model provides automated recognition of given scans and
generation of reports. The quality of the generated reports was evaluated with
both the CIDEr scores and by radiologists as well. The CIDEr scores are found
to be around 5.8 on average for the testing dataset. Further blind evaluation
suggested a comparable performance against human radiologist.
- Abstract（参考訳）: 胸部X線検査(CXR)は胸部疾患や異常を診断する最も一般的な臨床検査の一つである。
病院で毎日発生するcxrスキャンの量は膨大である。
したがって、医師の努力を節約できる自動診断システムは非常に貴重である。
現在、cxr診断における人工知能の応用は通常、スキャンの分類にパターン認識を用いる。
しかし、そのような手法はラベル付きデータベースに依存しており、コストが高く、通常はエラー率が大きい。
本研究では,12,000以上のcxrスキャンと放射線レポートを含むデータベースを構築し,深層畳み込みニューラルネットワークと注意機構を有するリカレントネットワークに基づくモデルを開発した。
モデルは、CXRスキャンと関連する生の放射線学的レポートから直接特徴を学習する。
このモデルは、与えられたスキャンとレポートの生成の自動認識を提供する。
生成した報告の質は,ciderスコアと放射線科医によっても評価された。
CIDErスコアは、テストデータセットの平均で約5.8である。
さらなる盲目評価は、ヒトの放射線科医に対する同等のパフォーマンスを示唆した。
関連論文リスト
- Large Model driven Radiology Report Generation with Clinical Quality
Reinforcement Learning [16.849933628738277]
放射線学報告生成 (RRG) は, 放射線技師の作業量削減の可能性から注目されている。
本稿では,新しいRRG法である textbfLM-RRG について紹介する。
MIMIC-CXRおよびIU-Xrayデータセットを用いた実験により,本手法が技術状況よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-03-11T13:47:11Z) - 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) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - Longitudinal Data and a Semantic Similarity Reward for Chest X-Ray Report Generation [7.586632627817609]
放射線学者は、解釈と報告を必要とする胸部X線(CXR)の量の増加のために、高いバーンアウト率に直面している。
提案するCXRレポートジェネレータは,ワークフローの要素を統合し,強化学習のための新たな報酬を導入する。
本研究の結果から, 提案モデルでは, 最新技術モデルよりも, 放射線学者の報告に適合した報告が生成されることがわかった。
論文 参考訳（メタデータ） (2023-07-19T05:41:14Z) - Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。
X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。
画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
論文 参考訳（メタデータ） (2023-05-26T07:12:35Z) - 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) - Automated triaging of head MRI examinations using convolutional neural
networks [0.6618986079245733]
頭磁気共鳴画像検査(MRI)の需要が増加し、世界中の放射線技師が不足しているため、頭部MRI検査の報告に要する時間が増加した。
自動トリアージツールは、画像撮影時の異常を識別し、これらのスキャンの報告を優先順位付けすることで、異常検査の報告時間を短縮することができる。
本報告では,$textT$-weighted head MRIで臨床関連異常を検出する畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-15T14:21:27Z) - A clinical validation of VinDr-CXR, an AI system for detecting abnormal
chest radiographs [0.0]
X線スキャンで異常を検出するためのAIベースのシステムを検証するメカニズムを実証する。
このシステムは、胸部X線上の異常を検出するためのF1スコア(リコールのハーモニック平均と精度-0.653 CI 0.635, 0.671)を達成する。
論文 参考訳（メタデータ） (2021-04-06T02:53:35Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Fused Deep Convolutional Neural Network for Precision Diagnosis of
COVID-19 Using Chest X-Ray Images [0.0]
複数のニューラルネットワークを微調整することで、新型コロナウイルスと正常者の胸部X線スキャンを正確に分類するコンピュータ支援診断(CAD)を提案する。
k倍のクロスバリデーションとベージングアンサンブルを用いることで、99.7%の精度と100%の感度が得られる。
論文 参考訳（メタデータ） (2020-09-15T02:27:20Z) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳（メタデータ） (2020-08-04T07:41:15Z)
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。