論文の概要: Unifying Relational Sentence Generation and Retrieval for Medical Image Report Composition

• arxiv url: http://arxiv.org/abs/2101.03287v1
• Date: Sat, 9 Jan 2021 04:33:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-09 07:27:47.638621
• Title: Unifying Relational Sentence Generation and Retrieval for Medical Image Report Composition
• Title（参考訳）: 医用画像レポート作成のための関係文の統一と検索
• Authors: Fuyu Wang and Xiaodan Liang and Lin Xu and Liang Lin
• Abstract要約: 現在の手法は、個々のケースのデータセットバイアスにより、しばしば最も一般的な文を生成する。 テンプレート検索と文生成を一体化し、共通およびまれな異常に対処する新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 142.42920413017163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Beyond generating long and topic-coherent paragraphs in traditional captioning tasks, the medical image report composition task poses more task-oriented challenges by requiring both the highly-accurate medical term diagnosis and multiple heterogeneous forms of information including impression and findings. Current methods often generate the most common sentences due to dataset bias for individual case, regardless of whether the sentences properly capture key entities and relationships. Such limitations severely hinder their applicability and generalization capability in medical report composition where the most critical sentences lie in the descriptions of abnormal diseases that are relatively rare. Moreover, some medical terms appearing in one report are often entangled with each other and co-occurred, e.g. symptoms associated with a specific disease. To enforce the semantic consistency of medical terms to be incorporated into the final reports and encourage the sentence generation for rare abnormal descriptions, we propose a novel framework that unifies template retrieval and sentence generation to handle both common and rare abnormality while ensuring the semantic-coherency among the detected medical terms. Specifically, our approach exploits hybrid-knowledge co-reasoning: i) explicit relationships among all abnormal medical terms to induce the visual attention learning and topic representation encoding for better topic-oriented symptoms descriptions; ii) adaptive generation mode that changes between the template retrieval and sentence generation according to a contextual topic encoder. Experimental results on two medical report benchmarks demonstrate the superiority of the proposed framework in terms of both human and metrics evaluation.
• Abstract（参考訳）: 従来のキャプションタスクにおける長文・トピックコヒーレントな段落の生成に加えて、医用画像レポート作成タスクは、高精度な医療用語診断と、印象や発見を含む多種多様な情報の両方を必要とすることにより、タスク指向の課題を提起する。 現在の手法では、各ケースのデータセットバイアスによって、キーエンティティや関係性を適切に捉えているかどうかに関わらず、最も一般的な文を生成することが多い。 このような制限は、比較的稀な異常な疾患の記述に最も批判的な文がある医療報告組成物における適用性と一般化能力を著しく阻害する。 さらに、ある報告に現れるいくつかの医療用語は、しばしば互いに絡み合っており、例えば、共起している。 特定の疾患に関連する症状。 最終報告に組み込む医療用語のセマンティック一貫性を強制し、稀な記述のための文生成を促進するために、検出された医療用語間のセマンティックコヒーレンシーを確保しつつ、一般的かつ稀な異常の両方を扱うテンプレート検索と文生成を統合する新しい枠組みを提案する。 具体的には,すべての異常な医学用語間の明示的な関係を生かして,視覚的注意学習とトピック表現のエンコーディングを誘導し,トピック指向の症状記述を改善すること,および,文脈的トピックエンコーダに従ってテンプレート検索と文生成の間に変化する適応生成モードを提案する。 2つの医療報告ベンチマークの実験結果は、人的・計量的評価の両面で提案された枠組みの優位性を示している。

関連論文リスト

• Contrastive Learning with Counterfactual Explanations for Radiology Report Generation [83.30609465252441]
  放射線学レポート生成のためのtextbfCountertextbfFactual textbfExplanations-based framework (CoFE) を提案する。 反現実的な説明は、アルゴリズムによってなされた決定をどのように変えられるかを理解するための強力なツールとして、シナリオが何であるかを問うことによって役立ちます。 2つのベンチマークの実験では、反ファクト的な説明を活用することで、CoFEは意味的に一貫性があり、事実的に完全なレポートを生成することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:24:25Z)
• Topicwise Separable Sentence Retrieval for Medical Report Generation [41.812337937025084]
  医療報告生成のためのトピックワイズ分離文検索(Teaser)を導入する。 一般的なトピックと稀なトピックの両方を包括的に学習するために、クエリを共通型と希なタイプに分類し、トピックコントラストロスを提案する。 MIMIC-CXRとIU X線データセットの実験は、ティーザーが最先端のモデルを上回ることを示した。
  論文  参考訳（メタデータ） (2024-05-07T10:21:23Z)
• C^2M-DoT: Cross-modal consistent multi-view medical report generation with domain transfer network [67.97926983664676]
  ドメイン転送ネットワーク(C2M-DoT)を用いたクロスモーダルなマルチビュー医療レポート生成を提案する。 C2M-DoTは、すべてのメトリクスで最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-09T02:31:36Z)
• "Nothing Abnormal": Disambiguating Medical Reports via Contrastive Knowledge Infusion [6.9551174393701345]
  コントラスト型事前学習と摂動型書き換えに基づく書き換えアルゴリズムを提案する。 胸部報告に基づくOpenI-Annotatedと、一般的な医療報告に基づくVA-Annotatedの2つのデータセットを作成しました。 提案アルゴリズムは,高内容忠実度で少ないあいまいな方法で文を効果的に書き換える。
  論文  参考訳（メタデータ） (2023-05-15T02:01:20Z)
• A Self-Guided Framework for Radiology Report Generation [10.573538773141715]
  SGF(Self-Guided framework)は、注釈付き疾患ラベルによる医療報告を生成するために開発されたフレームワークである。 SGFは、人間の学習と執筆の過程を模倣するために、教師なしおよび教師なしのディープラーニング手法を使用している。 提案手法は,単語間の細粒度視覚的詳細を識別するためのフレームワークの能力を強調した。
  論文  参考訳（メタデータ） (2022-06-19T11:09:27Z)
• Weakly Supervised Contrastive Learning for Chest X-Ray Report Generation [3.3978173451092437]
  放射線画像から記述テキストを自動的に生成することを目的とした放射線学レポート生成。 典型的な設定は、エンコーダとデコーダのモデルを、クロスエントロピー損失のあるイメージレポートペアでトレーニングする。 本稿では,医療報告生成におけるコントラスト損失の弱化について提案する。
  論文  参考訳（メタデータ） (2021-09-25T00:06:23Z)
• 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)
• 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)

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。