論文の概要: Improving Chest X-Ray Report Generation by Leveraging Warm-Starting
- arxiv url: http://arxiv.org/abs/2201.09405v1
- Date: Mon, 24 Jan 2022 00:46:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-26 06:25:39.058045
- Title: Improving Chest X-Ray Report Generation by Leveraging Warm-Starting
- Title（参考訳）: 温暖化による胸部X線レポート生成の改善
- Authors: Aaron Nicolson, Jason Dowling, and Bevan Koopman
- Abstract要約: 現在のChest X-Rayレポートジェネレータは、臨床環境で展開する診断精度を欠いている。
CXRレポート生成を改善するために,最近のオープンソースコンピュータビジョンと自然言語処理チェックポイントを用いて,エンコーダとデコーダのウォームスタートについて検討する。
本研究では, コンボリューションビジョン変換器 (CvT) ImageNet-21KとDistilled Generative Pre-trained Transformer 2 (DistilGPT2) のチェックポイントが, エンコーダとデコーダの温暖化に最適であることを示す。
- 参考スコア（独自算出の注目度）: 8.487852486413653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatically generating a report from a patient's Chest X-Rays (CXRs) is a
promising solution to reducing clinical workload and improving patient care.
However, current CXR report generators, which are predominantly
encoder-to-decoder models, lack the diagnostic accuracy to be deployed in a
clinical setting. To improve CXR report generation, we investigate
warm-starting the encoder and decoder with recent open-source computer vision
and natural language processing checkpoints, such as the Vision Transformer
(ViT) and PubMedBERT. To this end, each checkpoint is evaluated on the
MIMIC-CXR and IU X-Ray datasets using natural language generation and Clinical
Efficacy (CE) metrics. Our experimental investigation demonstrates that the
Convolutional vision Transformer (CvT) ImageNet-21K and the Distilled
Generative Pre-trained Transformer 2 (DistilGPT2) checkpoints are best for
warm-starting the encoder and decoder, respectively. Compared to the
state-of-the-art (M2 Transformer Progressive), CvT2DistilGPT2 attained an
improvement of 8.3% for CE F-1, 1.8% for BLEU-4, 1.6% for ROUGE-L, and 1.0% for
METEOR. The reports generated by CvT2DistilGPT2 are more diagnostically
accurate and have a higher similarity to radiologist reports than previous
approaches. By leveraging warm-starting, CvT2DistilGPT2 brings automatic CXR
report generation one step closer to the clinical setting. CvT2DistilGPT2 and
its MIMIC-CXR checkpoint are available at
https://github.com/aehrc/cvt2distilgpt2.
- Abstract（参考訳）: 患者の胸部X線(CXR)からの報告を自動生成することは、臨床負荷を減らし、患者のケアを改善するための有望な解決策である。
しかし、現在のCXRレポートジェネレータは、主にエンコーダ-デコーダモデルであり、臨床環境で展開する診断精度を欠いている。
CXRレポート生成を改善するため、最近のオープンソースコンピュータビジョンとViT(Vision Transformer)やPubMedBERT(PubMedBERT)といった自然言語処理チェックポイントを用いて、エンコーダとデコーダをウォームスタートさせる。
この目的のために、各チェックポイントは、自然言語生成と臨床効果(CE)メトリクスを用いてMIMIC-CXRおよびIU X線データセットに基づいて評価される。
本研究では, コンボリューションビジョン変換器 (CvT) ImageNet-21K とDistilled Generative Pre-trained Transformer 2 (DistilGPT2) のチェックポイントが, それぞれエンコーダとデコーダを温めるのに最適であることを示す。
最先端(M2トランスフォーマープログレッシブ)と比較して、CvT2DistilGPT2はCE F-1で8.3%、BLEU-4で1.8%、ROUGE-Lで1.6%、METEORで1.0%向上した。
CvT2DistilGPT2による報告は診断学的に正確であり、以前のアプローチよりも放射線医学的な報告と類似性が高い。
CvT2DistilGPT2は、ウォームスタートを利用して、CXRレポートの自動生成を臨床環境に一歩近づける。
CvT2DistilGPT2とそのMIMIC-CXRチェックポイントはhttps://github.com/aehrc/cvt2distilgpt2で公開されている。
関連論文リスト
- TiBiX: Leveraging Temporal Information for Bidirectional X-ray and Report Generation [0.7381551917607596]
TiBiX:双方向X線とレポート生成のための時間情報を活用する。
双方向X線とレポート生成のための時間情報を活用するTiBiXを提案する。
論文 参考訳（メタデータ） (2024-03-20T07:00:03Z) - Vision Transformer-based Model for Severity Quantification of Lung
Pneumonia Using Chest X-ray Images [11.12596879975844]
我々は、新型コロナウイルスや他の肺疾患の重症度を定量化するために、少数のトレーニング可能なパラメータに依存するビジョントランスフォーマーベースのニューラルネットワークモデルを提案する。
本モデルでは,比較的低い計算コストで高一般化性で重大度を定量化する上で,ピーク性能を提供することができる。
論文 参考訳（メタデータ） (2023-03-18T12:38:23Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - On the Importance of Image Encoding in Automated Chest X-Ray Report
Generation [4.843654097048771]
胸部X線は、そのアクセシビリティと有効性から最も人気のある医用画像モダリティの1つである。
これらの画像を解釈し、患者の状態を診断できる、よく訓練された放射線科医の慢性的な不足がある。
自動放射線診断レポート生成は 臨床実践において 非常に有用なツールです
論文 参考訳（メタデータ） (2022-11-24T08:02:52Z) - DeltaNet:Conditional Medical Report Generation for COVID-19 Diagnosis [54.93879264615525]
医療報告を自動生成するDeltaNetを提案する。
DeltaNetはレポートを生成するために3つのステップを採用している。
DeltaNetは最先端のアプローチよりも優れています。
論文 参考訳（メタデータ） (2022-11-12T07:41:03Z) - DilatedSegNet: A Deep Dilated Segmentation Network for Polyp
Segmentation [2.6179759969345002]
大腸癌は世界で2番目に多い死因である。
ディープラーニングを利用したコンピュータ支援診断システム(CAD)は、大腸内視鏡検査中に医師が見落としている大腸の領域を検出することができる。
高い精度とリアルタイム速度の欠如は、そのようなシステムの臨床的統合を成功させるために克服すべき重要な障害である。
論文 参考訳（メタデータ） (2022-10-24T20:36:30Z) - Radiomics-Guided Global-Local Transformer for Weakly Supervised
Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。
RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文 参考訳（メタデータ） (2022-07-10T06:32:56Z) - 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) - COVID-Net CXR-2: An Enhanced Deep Convolutional Neural Network Design
for Detection of COVID-19 Cases from Chest X-ray Images [58.35627258364233]
RT-PCR検査への無料スクリーニング戦略として胸部X線(CXR)イメージングの使用は成長し続けています。
我々は、CXR画像からCOVID-19を検出するための深層畳み込みニューラルネットワーク設計であるCOVID-Net CXR-2を紹介する。
ベンチマークデータセットは、少なくとも51カ国16,656人の多国籍コホートから19,203個のCXR画像で構成された。
論文 参考訳（メタデータ） (2021-05-14T04:29:21Z) - Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
本稿では,分類に基づく比較的研究の少ない方法論について検討する。
我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。
航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
論文 参考訳（メタデータ） (2020-11-19T05:42:02Z) - CVR-Net: A deep convolutional neural network for coronavirus recognition
from chest radiography images [1.869097450593631]
我々は,CTやX線画像からウイルスを自動認識する,CVR-Netと呼ばれる堅牢なCNNベースのネットワークを提案する。
提案したCVR-Netを3つの異なるデータセットでトレーニングし、テストします。
本モデルでは,タスク1からタスク5に対して,総F1スコアと精度が0.997と0.998,0.963と0.964,0.816と0.820,0.961と0.961,0.780と0.780となる。
論文 参考訳（メタデータ） (2020-07-21T18:21:29Z)
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。