論文の概要: Word Graph Guided Summarization for Radiology Findings

• arxiv url: http://arxiv.org/abs/2112.09925v1
• Date: Sat, 18 Dec 2021 13:20:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-21 16:06:43.307048
• Title: Word Graph Guided Summarization for Radiology Findings
• Title（参考訳）: 放射線診断のための単語グラフガイド要約
• Authors: Jinpeng Hu, Jianling Li, Zhihong Chen, Yaling Shen, Yan Song, Xiang Wan, Tsung-Hui Chang
• Abstract要約: そこで本研究では, 単語グラフを抽出し, 単語とその関係を自動印象生成する手法を提案する。 WGSum(Word Graph guided Summarization model)は、単語グラフの助けを借りて印象を生成するように設計されている。 OpenIとMIMIC-CXRの2つのデータセットによる実験結果から,提案手法の有効性と有効性が確認された。
• 参考スコア（独自算出の注目度）: 24.790502861602075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiology reports play a critical role in communicating medical findings to physicians. In each report, the impression section summarizes essential radiology findings. In clinical practice, writing impression is highly demanded yet time-consuming and prone to errors for radiologists. Therefore, automatic impression generation has emerged as an attractive research direction to facilitate such clinical practice. Existing studies mainly focused on introducing salient word information to the general text summarization framework to guide the selection of the key content in radiology findings. However, for this task, a model needs not only capture the important words in findings but also accurately describe their relations so as to generate high-quality impressions. In this paper, we propose a novel method for automatic impression generation, where a word graph is constructed from the findings to record the critical words and their relations, then a Word Graph guided Summarization model (WGSum) is designed to generate impressions with the help of the word graph. Experimental results on two datasets, OpenI and MIMIC-CXR, confirm the validity and effectiveness of our proposed approach, where the state-of-the-art results are achieved on both datasets. Further experiments are also conducted to analyze the impact of different graph designs to the performance of our method.
• Abstract（参考訳）: 放射線医学の報告は医師に医学的所見を伝える上で重要な役割を担っている。 各報告において、印象部は必須の放射線学所見を要約する。 臨床実践では、筆記印象は要求されるが時間を要するため、放射線科医の誤りに陥りやすい。 そのため、このような臨床実践を促進するための魅力的な研究方向として、自動印象生成が登場している。 既存の研究は主に、放射線学的発見における重要な内容の選択を導くために、一般的なテキスト要約フレームワークに敬語情報を導入することに焦点を当てている。 しかし、この課題では、モデルが発見における重要な単語をキャプチャするだけでなく、その関係を正確に記述して高品質な印象を生成する必要がある。 本稿では,重要な単語とその関係を記録するために単語グラフを構築した上で,単語グラフの助けを借りて印象を生成するためのWord Graph Guided Summarization Model(WGSum)を提案する。 2つのデータセット(OpenIとMIMIC-CXR)の実験結果から,提案手法の有効性と有効性が確認された。 また, 異なるグラフ設計が提案手法の性能に与える影響を解析するために, さらなる実験を行った。

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)
• 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)
• Improving Radiology Summarization with Radiograph and Anatomy Prompts [60.30659124918211]
  本稿では,印象生成を促進するために,新しい解剖学的拡張型マルチモーダルモデルを提案する。 より詳しくは、まず、解剖学を抽出する一連のルールを構築し、各文にこれらのプロンプトを配置し、解剖学的特徴を強調する。 コントラスト学習モジュールを用いて、これらの2つの表現を全体レベルで整列させ、コアテンションを用いて文レベルで融合させる。
  論文  参考訳（メタデータ） (2022-10-15T14:05:03Z)
• Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
  我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。 提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
  論文  参考訳（メタデータ） (2022-09-28T10:27:10Z)
• Cross-modal Memory Networks for Radiology Report Generation [30.13916304931662]
  ラジオロジーレポート生成のためのエンコーダデコーダフレームワークを強化するために,クロスモーダルメモリネットワーク(CMN)を提案する。 本モデルでは,放射線画像やテキストからの情報の整合性が向上し,臨床指標の精度向上に寄与する。
  論文  参考訳（メタデータ） (2022-04-28T02:32:53Z)
• Graph Enhanced Contrastive Learning for Radiology Findings Summarization [25.377658879658306]
  放射線学レポートのセクションでは、この発見から最も顕著な観察を要約している。 余分な知識と元の知見の両方を活用する統一的なフレームワークを提案する。 キーワードとその関係を適切な方法で抽出し、印象生成を容易にする。
  論文  参考訳（メタデータ） (2022-04-01T04:39:44Z)
• 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)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)
• 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。