論文の概要: Labelling imaging datasets on the basis of neuroradiology reports: a
validation study
- arxiv url: http://arxiv.org/abs/2007.04226v5
- Date: Tue, 9 Mar 2021 01:39:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 13:32:24.442807
- Title: Labelling imaging datasets on the basis of neuroradiology reports: a
validation study
- Title(参考訳): 神経放射線学報告に基づく画像データセットのラベリング : 検証研究
- Authors: David A. Wood, Sina Kafiabadi, Aisha Al Busaidi, Emily Guilhem, Jeremy
Lynch, Matthew Townend, Antanas Montvila, Juveria Siddiqui, Naveen Gadapa,
Matthew Benger, Gareth Barker, Sebastian Ourselin, James H. Cole, Thomas C.
Booth
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.3871995016053975
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Natural language processing (NLP) shows promise as a means to automate the
labelling of hospital-scale neuroradiology magnetic resonance imaging (MRI)
datasets for computer vision applications. To date, however, there has been no
thorough investigation into the validity of this approach, including
determining the accuracy of report labels compared to image labels as well as
examining the performance of non-specialist labellers. In this work, we draw on
the experience of a team of neuroradiologists who labelled over 5000 MRI
neuroradiology reports as part of a project to build a dedicated deep
learning-based neuroradiology report classifier. We show that, in our
experience, assigning binary labels (i.e. normal vs abnormal) to images from
reports alone is highly accurate. In contrast to the binary labels, however,
the accuracy of more granular labelling is dependent on the category, and we
highlight reasons for this discrepancy. We also show that downstream model
performance is reduced when labelling of training reports is performed by a
non-specialist. To allow other researchers to accelerate their research, we
make our refined abnormality definitions and labelling rules available, as well
as our easy-to-use radiology report labelling app which helps streamline this
process.
- Abstract(参考訳): 自然言語処理(NLP)は、コンピュータビジョン応用のための病院規模の神経放射線学磁気共鳴画像(MRI)データセットのラベル付けを自動化する手段として、公約を示す。
しかし、これまでは、画像ラベルと比較してレポートラベルの正確性を決定することや、非スペシャリストラベルラーの性能を調べることなど、このアプローチの有効性に関する詳細な調査は行われていない。
本研究では,深層学習に基づく神経放射線学レポート分類器の開発プロジェクトの一環として,5000以上のmri神経放射線学レポートをラベル付けした神経放射線学者のチームの経験について述べる。
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(通常か異常か)を割り当てることは極めて正確である。
しかし、二項ラベルとは対照的に、より粒度の高いラベルの精度はカテゴリに依存しており、この相違の理由を強調する。
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。
他の研究者が研究を加速するために、我々は洗練された異常定義とラベリングルールを利用可能にするとともに、このプロセスを合理化するための簡単なラジオグラフィーレポートラベリングアプリを作成しました。
関連論文リスト
- 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) - RaTEScore: A Metric for Radiology Report Generation [59.37561810438641]
本稿では,Radiological Report (Text) Evaluation (RaTEScore) として,新しい実体認識尺度を提案する。
RaTEScoreは、診断結果や解剖学的詳細などの重要な医療機関を強調し、複雑な医学的同義語に対して堅牢であり、否定表現に敏感である。
我々の評価は、RaTEScoreが既存の指標よりも人間の嗜好とより密接に一致していることを示し、確立された公開ベンチマークと、新たに提案したRaTE-Evalベンチマークの両方で検証した。
論文 参考訳(メタデータ) (2024-06-24T17:49:28Z) - A self-supervised text-vision framework for automated brain abnormality detection [1.1852378060341289]
脳MRI画像における臨床的に関連のある異常を検出するためのテキストビジョンフレームワークを提案する。
当フレームワークは,臨床診断支援ツールとしても機能する可能性がある。
論文 参考訳(メタデータ) (2024-05-05T01:51:58Z) - 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) - 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) - Weakly Supervised Learning Significantly Reduces the Number of Labels
Required for Intracranial Hemorrhage Detection on Head CT [7.713240800142863]
マシンラーニングパイプライン、特にディープラーニング(DL)モデルに基づくパイプラインは、大量のラベル付きデータを必要とする。
本研究は,脳CTにおける頭蓋内出血検出の課題に対して,どのようなラベルを収集すべきか,という課題について考察する。
強い監督(ローカルな画像レベルのアノテーションで学ぶこと)と弱い監督(グローバルな検査レベルのラベルだけで学ぶこと)は同等のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-11-29T04:42:41Z) - Using Multi-modal Data for Improving Generalizability and Explainability
of Disease Classification in Radiology [0.0]
従来の放射線診断用データセットは、放射線診断報告と並行して放射線画像のみを提供する傾向にある。
本稿では、最近発表されたEye-Gazeデータセットを用いて、ディープラーニング(DL)分類の性能と説明可能性への影響を徹底的に研究する。
X線画像の最良の分類性能は, 自由テキスト画像と無線画像との組み合わせで達成され, 視線データによる性能向上は得られなかった。
論文 参考訳(メタデータ) (2022-07-29T16:49:05Z) - Improving Medical Image Classification with Label Noise Using
Dual-uncertainty Estimation [72.0276067144762]
医用画像における2種類のラベルノイズについて論じ,定義する。
医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
論文 参考訳(メタデータ) (2021-02-28T14:56:45Z) - 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) - 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) - Automated Labelling using an Attention model for Radiology reports of
MRI scans (ALARM) [0.8163463207064016]
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。
論文 参考訳(メタデータ) (2020-02-16T15:04:52Z)
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。