論文の概要: Paying Per-label Attention for Multi-label Extraction from Radiology Reports

• arxiv url: http://arxiv.org/abs/2007.16152v3
• Date: Fri, 7 Aug 2020 17:08:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 06:01:51.853562
• Title: Paying Per-label Attention for Multi-label Extraction from Radiology Reports
• Title（参考訳）: 放射能レポートからのマルチラベル抽出のためのラベル単位の注意を払う
• Authors: Patrick Schrempf, Hannah Watson, Shadia Mikhael, Maciej Pajak, Mat\'u\v{s} Falis, Aneta Lisowska, Keith W. Muir, David Harris-Birtill, Alison Q. O'Neil
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.9601378412924186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training medical image analysis models requires large amounts of expertly annotated data which is time-consuming and expensive to obtain. Images are often accompanied by free-text radiology reports which are a rich source of information. In this paper, we tackle the automated extraction of structured labels from head CT reports for imaging of suspected stroke patients, using deep learning. Firstly, we propose a set of 31 labels which correspond to radiographic findings (e.g. hyperdensity) and clinical impressions (e.g. haemorrhage) related to neurological abnormalities. Secondly, inspired by previous work, we extend existing state-of-the-art neural network models with a label-dependent attention mechanism. Using this mechanism and simple synthetic data augmentation, we are able to robustly extract many labels with a single model, classified according to the radiologist's reporting (positive, uncertain, negative). This approach can be used in further research to effectively extract many labels from medical text.
• Abstract（参考訳）: 医用画像解析モデルの訓練には、大量の専門的な注釈付きデータが必要である。 画像にはリッチな情報源である自由テキストラジオロジーレポートが伴うことが多い。 本稿では,脳卒中患者の頭部CT像からの構造化ラベルの自動抽出にディープラーニングを用いて取り組む。 まず,神経学的異常に関連する放射線学的所見(高密度)と臨床的印象(出血など)に対応する31のラベル群を提案する。 次に,従来の研究に触発されて,既存の最先端ニューラルネットワークモデルをラベル依存の注意機構で拡張する。 この機構と単純な合成データ拡張を用いて、放射線学者の報告(正、不確実、負)に従って分類された単一のモデルで多くのラベルを強く抽出することができる。 このアプローチは、医療用テキストから多くのラベルを効果的に抽出するために、さらなる研究に利用できる。

関連論文リスト

• Automated Spinal MRI Labelling from Reports Using a Large Language Model [45.348320669329205]
  大規模言語モデルを用いたラジオロジーレポートからラベルの抽出を自動化するパイプラインを提案する。 本手法は,GPT-4と同等か,あるいは超えている。 抽出したラベルを用いて画像モデルの訓練を行い,MRスキャンによる特定条件の分類を行う。
  論文  参考訳（メタデータ） (2024-10-22T17:54:07Z)
• 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)
• Replace and Report: NLP Assisted Radiology Report Generation [31.309987297324845]
  無線画像から放射線学レポートを生成するためのテンプレートベースの手法を提案する。 胸部X線検査では, 異常所見の少ない文章を作成し, 正常な報告テンプレートに置き換えることにより, 胸部X線所見を初めて生成する試みである。
  論文  参考訳（メタデータ） (2023-06-19T10:04:42Z)
• Automated Labeling of German Chest X-Ray Radiology Reports using Deep Learning [50.591267188664666]
  本稿では,ルールベースのドイツ語CheXpertモデルによってラベル付けされたレポートに基づいて,ディープラーニングに基づくCheXpertラベル予測モデルを提案する。 その結果,3つのタスクすべてにおいて,ルールベースモデルを大幅に上回ったアプローチの有効性が示された。
  論文  参考訳（メタデータ） (2023-06-09T16:08:35Z)
• 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)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• Extracting and Learning Fine-Grained Labels from Chest Radiographs [0.157292030677369]
  胸部X線画像の微細なラベルの抽出と学習に焦点を当てた。 今までで最大の発見スペクトルを示す457個の細粒度ラベルが選択された。 高精度なラベル抽出プロセスと,詳細なラベルの信頼性のある学習結果を示す。
  論文  参考訳（メタデータ） (2020-11-18T19:56:08Z)
• 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)
• 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)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• 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。