論文の概要: ORGAN: Observation-Guided Radiology Report Generation via Tree Reasoning

• arxiv url: http://arxiv.org/abs/2306.06466v1
• Date: Sat, 10 Jun 2023 15:36:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 18:56:20.987238
• Title: ORGAN: Observation-Guided Radiology Report Generation via Tree Reasoning
• Title（参考訳）: ORGAN:ツリー推論による観測誘導放射線学レポート作成
• Authors: Wenjun Hou, Kaishuai Xu, Yi Cheng, Wenjie Li, Jiang Liu
• Abstract要約: 観測誘導放射線学レポート生成フレームワーク(ORGAN)を提案する。 最初は観測計画を作成し、その後、レポート生成のための計画と電信の両方を供給している。 本フレームワークは,テキストの品質と臨床効果に関して,これまでの最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 9.316999438459794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper explores the task of radiology report generation, which aims at generating free-text descriptions for a set of radiographs. One significant challenge of this task is how to correctly maintain the consistency between the images and the lengthy report. Previous research explored solving this issue through planning-based methods, which generate reports only based on high-level plans. However, these plans usually only contain the major observations from the radiographs (e.g., lung opacity), lacking much necessary information, such as the observation characteristics and preliminary clinical diagnoses. To address this problem, the system should also take the image information into account together with the textual plan and perform stronger reasoning during the generation process. In this paper, we propose an observation-guided radiology report generation framework (ORGAN). It first produces an observation plan and then feeds both the plan and radiographs for report generation, where an observation graph and a tree reasoning mechanism are adopted to precisely enrich the plan information by capturing the multi-formats of each observation. Experimental results demonstrate that our framework outperforms previous state-of-the-art methods regarding text quality and clinical efficacy
• Abstract（参考訳）: 本稿では,一組のラジオグラフィーのための自由テキスト記述を生成することを目的とした,ラジオロジーレポート生成の課題について考察する。 このタスクの重要な課題の1つは、画像と長いレポートの一貫性をいかに正しく維持するかである。 これまでの研究は、高レベルな計画のみに基づいてレポートを生成する計画ベースの手法によってこの問題を解決した。 しかし、これらの計画は通常、x線写真(例えば、肺の不透明性)からの主な観察のみを含み、観察特性や予備的な臨床診断などの必要な情報が不足している。 この問題に対処するために、システムは、画像情報をテキスト計画と共に考慮し、生成プロセス中により強力な推論を行う必要がある。 本稿では,観測誘導放射線学レポート生成フレームワーク(ORGAN)を提案する。 まず、観測計画を作成し、次に、各観測のマルチフォーマットを捉えて、観測グラフとツリー推論機構を採用する、レポート作成のための計画と放射線グラフの両方を供給し、計画情報を精度良く豊かにする。 実験結果から,本フレームワークは従来のテキスト品質と臨床効果に関する最先端手法を上回っていることが判明した。

関連論文リスト

• Medical Report Generation Is A Multi-label Classification Problem [38.64929236412092]
  本稿では,医療報告生成を多ラベル分類問題として再考する。 機密鍵ノードと統合されたBLIPに基づく新たなレポート生成フレームワークを提案する。 我々の実験は、キーノードの活用が2つのベンチマークデータセットにまたがる既存のアプローチを越え、最先端(SOTA)のパフォーマンスを実現することを実証している。
  論文  参考訳（メタデータ） (2024-08-30T20:43:35Z)
• AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
  放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。 この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。 地盤自動報告生成(AutoRG)に関する一連の研究を開始した。 このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
  論文  参考訳（メタデータ） (2024-07-23T17:50:00Z)
• 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)
• Reading Radiology Imaging Like The Radiologist [3.218449686637963]
  我々は、より正確で現実的に整合性のある疾患記述を生成するために、事実整合キャプションジェネレータを設計する。 本研究の枠組みは,病型指向マスクの検索により,CXRデータベースから最も類似した疾患の報告を見つけることができる。
  論文  参考訳（メタデータ） (2023-07-12T05:36:47Z)
• 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)
• 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)
• 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)
• Exploring and Distilling Posterior and Prior Knowledge for Radiology Report Generation [55.00308939833555]
  PPKEDには、Posterior Knowledge Explorer (PoKE), Prior Knowledge Explorer (PrKE), Multi-domain Knowledge Distiller (MKD)の3つのモジュールが含まれている。 PoKEは後部知識を探求し、視覚データのバイアスを軽減するために明確な異常な視覚領域を提供する。 PrKEは、以前の医学知識グラフ(医学知識)と以前の放射線学レポート(作業経験)から以前の知識を探り、テキストデータのバイアスを軽減する。
  論文  参考訳（メタデータ） (2021-06-13T11:10:02Z)
• 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)
• Show, Describe and Conclude: On Exploiting the Structure Information of Chest X-Ray Reports [5.6070625920019825]
  胸部X線像(CXR)は臨床検診や診断に一般的に用いられる。 レポートのセクションと内部の複雑な構造は、自動レポート生成に大きな課題をもたらします。 本稿では,CXRイメージングレポートを生成するために,レポートセクション間の構造情報を利用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） (2020-04-26T02:29:20Z)
• 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。