論文の概要: Cyclic Generative Adversarial Networks With Congruent Image-Report Generation For Explainable Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2211.08424v1
• Date: Wed, 16 Nov 2022 12:41:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 16:16:45.452306
• Title: Cyclic Generative Adversarial Networks With Congruent Image-Report Generation For Explainable Medical Image Analysis
• Title（参考訳）: congruent image-report generation を用いた医用画像解析のための循環生成型逆ネットワーク
• Authors: Dwarikanath Mahapatra
• Abstract要約: 医用画像の説明可能なラベリングと解釈のための新しい枠組みを提案する。 本研究の目的は、胸部X線画像を診断するモデルの出力について、信頼できる、忠実な説明を生成することである。
• 参考スコア（独自算出の注目度）: 5.6512908295414
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We present a novel framework for explainable labeling and interpretation of medical images. Medical images require specialized professionals for interpretation, and are explained (typically) via elaborate textual reports. Different from prior methods that focus on medical report generation from images or vice-versa, we novelly generate congruent image--report pairs employing a cyclic-Generative Adversarial Network (cycleGAN); thereby, the generated report will adequately explain a medical image, while a report-generated image that effectively characterizes the text visually should (sufficiently) resemble the original. The aim of the work is to generate trustworthy and faithful explanations for the outputs of a model diagnosing chest x-ray images by pointing a human user to similar cases in support of a diagnostic decision. Apart from enabling transparent medical image labeling and interpretation, we achieve report and image-based labeling comparable to prior methods, including state-of-the-art performance in some cases as evidenced by experiments on the Indiana Chest X-ray dataset
• Abstract（参考訳）: 医用画像の説明可能なラベリングと解釈のための新しい枠組みを提案する。 医用画像は解釈のために専門の専門家を必要とし、精巧なテキストによる報告によって(典型的には)説明される。 画像やリバーサから医用レポートを生成する従来の方法とは違って、循環生成逆数ネットワーク(cycleGAN)を用いたコングロレントな画像レポートペアを新たに生成し、医用イメージを適切に説明し、そのテキストを視覚的に効果的に特徴付けるレポート生成画像は、元のものと類似する(十分)。 胸部x線画像の出力を診断するモデルの出力に対して、診断判断を支援する同様の症例を人間ユーザーに指さして、信頼性が高く忠実な説明を行うことが目的である。 透明な医用画像ラベリングと解釈を可能にすることとは別に,インディアナ胸部x線データを用いた実験で証明されたように,先行手法に匹敵する報告と画像に基づくラベリングを実現する。

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)
• Learning Generalized Medical Image Representations through Image-Graph Contrastive Pretraining [11.520404630575749]
  胸部X線と構造化レポート知識グラフを組み合わせた画像グラフコントラスト学習フレームワークを開発した。 提案手法は,リレーショナルグラフ畳み込みネットワークとトランスフォーマーアテンションを介して,非連結グラフ成分を一意に符号化する。
  論文  参考訳（メタデータ） (2024-05-15T12:27:38Z)
• MedCycle: Unpaired Medical Report Generation via Cycle-Consistency [11.190146577567548]
  一貫性のあるラベリングスキーマを必要としない革新的なアプローチを導入する。 このアプローチは、画像埋め込みをレポート埋め込みに変換するサイクル一貫性マッピング関数に基づいている。 胸部X線所見の発生は、最先端の結果よりも優れており、言語と臨床の両方の指標の改善が示されている。
  論文  参考訳（メタデータ） (2024-03-20T09:40:11Z)
• VALD-MD: Visual Attribution via Latent Diffusion for Medical Diagnostics [0.0]
  医用画像における視覚的属性は、医用画像の診断関連成分を明確にすることを目指している。 本稿では、潜在拡散モデルとドメイン固有大言語モデルを組み合わせた新しい生成的視覚属性手法を提案する。 結果として生じるシステムは、ゼロショット局所化疾患誘導を含む様々な潜在能力を示す。
  論文  参考訳（メタデータ） (2024-01-02T19:51:49Z)
• Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
  医用画像のテキストレポートの代替としてアイトラッキングを提案する。 医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。 対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
  論文  参考訳（メタデータ） (2023-12-11T02:27:45Z)
• 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)
• LIMITR: Leveraging Local Information for Medical Image-Text Representation [17.102338932907294]
  胸部X線画像とそれに対応する放射線学的報告に焦点を当てた。 共同X線画像とレポート表現を学習する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-03-21T11:20:34Z)
• 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)
• Automated Knee X-ray Report Generation [12.732469371097347]
  本稿では,過去の放射線検査を活かし,画像とレポートの対応を学習できる枠組みを提案する。 本研究では,言語生成モデルの訓練において,個々の試験のイメージ特徴を集約し,条件入力として使用すると,自動生成試験レポートが生成されることを示す。
  論文  参考訳（メタデータ） (2021-05-22T11:59:42Z)
• Unifying Relational Sentence Generation and Retrieval for Medical Image Report Composition [142.42920413017163]
  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。
  論文  参考訳（メタデータ） (2021-01-09T04:33:27Z)
• 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)

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。