論文の概要: Attributed Abnormality Graph Embedding for Clinically Accurate X-Ray
Report Generation
- arxiv url: http://arxiv.org/abs/2207.01208v2
- Date: Tue, 5 Jul 2022 06:47:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-06 12:56:30.740480
- Title: Attributed Abnormality Graph Embedding for Clinically Accurate X-Ray
Report Generation
- Title(参考訳): 臨床的に正確なx線レポート生成のための遺伝異常グラフ埋め込み
- Authors: Sixing Yan, William K. Cheung, Keith Chiu, Terence M. Tong, Charles K.
Cheung, Simon See
- Abstract要約: 我々は、属性異常グラフ(ATAG)と呼ばれる、新しい微粒化知識グラフ構造を導入する。
ATAGは相互接続された異常ノードと属性ノードで構成されており、異常の詳細をより正確に把握することができる。
提案したATAG-based Deep ModelはSOTA法よりも大きなマージンで優れており, 得られた報告の臨床的精度を向上させることができる。
- 参考スコア(独自算出の注目度): 7.118069629513661
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic generation of medical reports from X-ray images can assist
radiologists to perform the time-consuming and yet important reporting task.
Yet, achieving clinically accurate generated reports remains challenging.
Modeling the underlying abnormalities using the knowledge graph approach has
been found promising in enhancing the clinical accuracy. In this paper, we
introduce a novel fined-grained knowledge graph structure called an attributed
abnormality graph (ATAG). The ATAG consists of interconnected abnormality nodes
and attribute nodes, allowing it to better capture the abnormality details. In
contrast to the existing methods where the abnormality graph was constructed
manually, we propose a methodology to automatically construct the fine-grained
graph structure based on annotations, medical reports in X-ray datasets, and
the RadLex radiology lexicon. We then learn the ATAG embedding using a deep
model with an encoder-decoder architecture for the report generation. In
particular, graph attention networks are explored to encode the relationships
among the abnormalities and their attributes. A gating mechanism is adopted and
integrated with various decoders for the generation. We carry out extensive
experiments based on the benchmark datasets, and show that the proposed
ATAG-based deep model outperforms the SOTA methods by a large margin and can
improve the clinical accuracy of the generated reports.
- Abstract(参考訳): X線画像から医療報告を自動生成することで、放射線医が時間を要するが重要な報告を行うのを助けることができる。
しかし、臨床的に正確な報告を得ることは依然として困難である。
知識グラフを用いた基礎疾患のモデリングは,臨床精度の向上に有望であることがわかった。
本稿では, 属性異常グラフ (ATAG) と呼ばれる, きめ細かな知識グラフ構造を紹介する。
ATAGは相互接続された異常ノードと属性ノードで構成されており、異常の詳細をより正確に把握することができる。
従来の異常グラフを手動で構築する手法とは対照的に,アノテーションやX線データセットの医療報告,RadLex放射線学のレキシコンに基づく微細なグラフ構造を自動的に構築する手法を提案する。
次に、レポート生成のためのエンコーダデコーダアーキテクチャを持つディープモデルを用いてATAG埋め込みを学習する。
特に、異常とその属性間の関係を符号化するために、グラフ注意ネットワークを探索する。
ゲーティング機構が採用され、世代ごとに様々なデコーダと統合される。
提案したATAGベースディープモデルは,ベンチマークデータセットに基づく広範囲な実験を行い,SOTA法よりも大きなマージンを達成し,得られた報告の臨床的精度を向上できることを示す。
関連論文リスト
- ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。
第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。
次の段階では、デコーダは元のグラフで検出するために再訓練される。
論文 参考訳(メタデータ) (2023-12-22T09:02:01Z) - Dynamic Multi-Domain Knowledge Networks for Chest X-ray Report
Generation [0.5939858158928474]
放射線診断レポート生成のための動的マルチドメイン知識(DMDK)ネットワークを提案する。
DMDKネットワークは、Chest Feature Extractor(CFE), Dynamic Knowledge Extractor(DKE), Specific Knowledge Extractor(SKE), Multi-knowledge Integrator(MKI)モジュールの4つのモジュールで構成されている。
IU X-RayとMIMIC-CXRの2つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2023-10-08T11:20:02Z) - RadGraph2: Modeling Disease Progression in Radiology Reports via
Hierarchical Information Extraction [1.257865347624134]
RadGraph2は,放射線学報告から情報を取り出すための新しいデータセットである。
階層的なスキーマを導入し、それらの関係に基づいてエンティティを整理し、トレーニング中にこの階層を使用すると、情報抽出モデルの性能が向上することを示す。
論文 参考訳(メタデータ) (2023-08-09T16:19:43Z) - 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) - 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 Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳(メタデータ) (2021-10-25T14:15:57Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Learning Visual-Semantic Embeddings for Reporting Abnormal Findings on
Chest X-rays [6.686095511538683]
本研究は放射線画像の異常所見の報告に焦点を当てる。
本稿では, レポートから異常な発見を識別し, 教師なしクラスタリングと最小限のルールで分類する手法を提案する。
本手法は, 異常所見を回収し, 臨床正当性およびテキスト生成量の両方で既存の世代モデルより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-06T04:18:18Z) - Chest X-ray Report Generation through Fine-Grained Label Learning [46.352966049776875]
画像から詳細な所見を学習する領域認識自動胸部X線診断レポート生成アルゴリズムを提案する。
また、画像にそのような記述子を割り当てる自動ラベリングアルゴリズムを開発し、発見の粗い記述ときめ細かい記述の両方を認識する新しいディープラーニングネットワークを構築した。
論文 参考訳(メタデータ) (2020-07-27T19:50:56Z) - 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)
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。