論文の概要: A Survey on Deep Learning and Explainability for Automatic Report
Generation from Medical Images
- arxiv url: http://arxiv.org/abs/2010.10563v2
- Date: Sat, 8 Jan 2022 15:21:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 05:36:50.496816
- Title: A Survey on Deep Learning and Explainability for Automatic Report
Generation from Medical Images
- Title(参考訳): 医用画像からのレポート自動生成のための深層学習と説明可能性に関する調査
- Authors: Pablo Messina, Pablo Pino, Denis Parra, Alvaro Soto, Cecilia Besa,
Sergio Uribe, Marcelo and\'ia, Cristian Tejos, Claudia Prieto and Daniel
Capurro
- Abstract要約: 本調査は,医用画像からの自動レポート生成領域で実施する。
調査では、興味深い開発状況が明らかになったが、課題も残されている。
生成したレポートの現在の評価は、主に従来の自然言語処理(NLP)メトリクスに依存するため、特に弱い。
- 参考スコア(独自算出の注目度): 8.737615516224189
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Every year physicians face an increasing demand of image-based diagnosis from
patients, a problem that can be addressed with recent artificial intelligence
methods. In this context, we survey works in the area of automatic report
generation from medical images, with emphasis on methods using deep neural
networks, with respect to: (1) Datasets, (2) Architecture Design, (3)
Explainability and (4) Evaluation Metrics. Our survey identifies interesting
developments, but also remaining challenges. Among them, the current evaluation
of generated reports is especially weak, since it mostly relies on traditional
Natural Language Processing (NLP) metrics, which do not accurately capture
medical correctness.
- Abstract(参考訳): 毎年、医師は患者からの画像に基づく診断の需要が高まっており、これは最近の人工知能の手法で対処できる問題だ。
本研究では,(1)データセット,(2)アーキテクチャ設計,(3)説明可能性,(4)評価指標について,深層ニューラルネットワークを用いた手法に着目して,医用画像からのレポート自動生成の分野での研究を行った。
我々の調査は興味深い進展を示しているが、残る課題もある。
その中でも, 従来の自然言語処理(nlp)指標に主に依存しており, 医学的正確性を正確に把握していないため, 生成レポートの評価は特に弱い。
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) - Robust and Interpretable Medical Image Classifiers via Concept
Bottleneck Models [49.95603725998561]
本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。
具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
論文 参考訳(メタデータ) (2023-10-04T21:57:09Z) - Diagnosis of Paratuberculosis in Histopathological Images Based on
Explainable Artificial Intelligence and Deep Learning [0.0]
本研究では,Deep Learningアルゴリズムを用いて新しいオリジナルデータセットを探索し,勾配重み付きクラスアクティベーションマッピング(Grad-CAM)を用いて出力を可視化する。
意思決定プロセスと説明文の両方を検証し,出力の精度を検証した。
この研究結果は、病理学者が傍結核の診断に大いに役立っている。
論文 参考訳(メタデータ) (2022-08-02T18:05:26Z) - Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。
CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。
大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文 参考訳(メタデータ) (2022-06-04T13:16:30Z) - Generative Aging of Brain Images with Diffeomorphic Registration [3.645542167239258]
脳の老化を分析し予測することは、早期予後と認知疾患の正確な診断に不可欠である。
本稿では, 経時的MRI画像から被検体特異的神経変性を捕捉し, 加齢に伴う解剖学的妥当性を維持する手法を提案する。
論文 参考訳(メタデータ) (2022-05-31T08:37:24Z) - Explainable Deep Learning Methods in Medical Image Classification: A
Survey [0.0]
最先端のディープラーニングモデルは、異なるタイプの医療データの分類において、人間レベルの精度を達成した。
これらのモデルは、主に解釈可能性の欠如のために、臨床ではほとんど採用されていない。
ディープラーニングモデルのブラックボックス性は、これらのモデルの意思決定プロセスを説明するための戦略を考案する必要性を高めている。
論文 参考訳(メタデータ) (2022-05-10T09:28:14Z) - 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) - Neural Natural Language Processing for Unstructured Data in Electronic
Health Records: a Review [4.454501609622817]
EHRに格納されている情報の約半数は、構造化されていないテキストの形式である。
自然言語処理への深層学習アプローチは、かなりの進歩を遂げた。
タスクの幅広い範囲、すなわち分類と予測、単語の埋め込み、抽出、生成、その他のトピックに焦点を当てる。
論文 参考訳(メタデータ) (2021-07-07T01:50:02Z) - Exploring and Distilling Posterior and Prior Knowledge for Radiology
Report Generation [55.00308939833555]
PPKEDには、Posterior Knowledge Explorer (PoKE), Prior Knowledge Explorer (PrKE), Multi-domain Knowledge Distiller (MKD)の3つのモジュールが含まれている。
PoKEは後部知識を探求し、視覚データのバイアスを軽減するために明確な異常な視覚領域を提供する。
PrKEは、以前の医学知識グラフ(医学知識)と以前の放射線学レポート(作業経験)から以前の知識を探り、テキストデータのバイアスを軽減する。
論文 参考訳(メタデータ) (2021-06-13T11:10:02Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - When Radiology Report Generation Meets Knowledge Graph [17.59749125131158]
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。
論文 参考訳(メタデータ) (2020-02-19T16:39:42Z)
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。