論文の概要: Replace and Report: NLP Assisted Radiology Report Generation
- arxiv url: http://arxiv.org/abs/2306.17180v1
- Date: Mon, 19 Jun 2023 10:04:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-09 14:09:08.077025
- Title: Replace and Report: NLP Assisted Radiology Report Generation
- Title（参考訳）: 代替・報告:NLP支援放射線学報告
- Authors: Kaveri Kale, pushpak Bhattacharyya and Kshitij Jadhav
- Abstract要約: 無線画像から放射線学レポートを生成するためのテンプレートベースの手法を提案する。
胸部X線検査では, 異常所見の少ない文章を作成し, 正常な報告テンプレートに置き換えることにより, 胸部X線所見を初めて生成する試みである。
- 参考スコア（独自算出の注目度）: 31.309987297324845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical practice frequently uses medical imaging for diagnosis and
treatment. A significant challenge for automatic radiology report generation is
that the radiology reports are long narratives consisting of multiple sentences
for both abnormal and normal findings. Therefore, applying conventional image
captioning approaches to generate the whole report proves to be insufficient,
as these are designed to briefly describe images with short sentences. We
propose a template-based approach to generate radiology reports from
radiographs. Our approach involves the following: i) using a multilabel image
classifier, produce the tags for the input radiograph; ii) using a
transformer-based model, generate pathological descriptions (a description of
abnormal findings seen on radiographs) from the tags generated in step (i);
iii) using a BERT-based multi-label text classifier, find the spans in the
normal report template to replace with the generated pathological descriptions;
and iv) using a rule-based system, replace the identified span with the
generated pathological description. We performed experiments with the two most
popular radiology report datasets, IU Chest X-ray and MIMIC-CXR and
demonstrated that the BLEU-1, ROUGE-L, METEOR, and CIDEr scores are better than
the State-of-the-Art models by 25%, 36%, 44% and 48% respectively, on the IU
X-RAY dataset. To the best of our knowledge, this is the first attempt to
generate chest X-ray radiology reports by first creating small sentences for
abnormal findings and then replacing them in the normal report template.
- Abstract（参考訳）: 臨床は診断と治療にしばしば医療画像を使用する。
自動放射線学レポート生成における重要な課題は、放射線学レポートが、異常所見と正常所見の両方のための複数の文からなる長い物語であることである。
したがって, 従来の画像キャプション手法によるレポート全体の生成は, 短い文で画像を簡潔に記述するように設計されているため, 不十分であることが証明された。
無線画像から放射線学レポートを生成するためのテンプレートベースの手法を提案する。
私たちのアプローチは以下の通りです。
一 複数ラベル画像分類器を用いて、入力ラジオグラフのタグを作成すること。
二 変圧器モデルを用いて、ステップで発生したタグから病理的記述(放射線写真に見る異常所見の記述)を作成すること。
(i)
三 BERTベースのマルチラベルテキスト分類器を使用して、正常なレポートテンプレート内のスパンを見つけて、生成された病理学的記述に置き換える。
四 規則に基づくシステムを用いて、特定されたスパンを発生した病理的記述に置き換える。
iu胸部x線とmuse-cxrの2種類のx線データを用いて実験を行い, bleu-1, rouge-l, meteor, ciderのスコアは, それぞれ25%, 36%, 44%, 48%の精度を示した。
私たちの知る限りでは、まず異常な発見のために小さな文章を作成し、それから通常のレポートテンプレートで置き換えることで、胸部x線x線画像を生成する最初の試みです。
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) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳（メタデータ） (2023-10-08T17:23:17Z) - Boosting Radiology Report Generation by Infusing Comparison Prior [7.054671146863795]
近年の変圧器を用いたモデルでは胸部X線画像から放射線学レポートを生成するために大きな進歩を遂げている。
これらのモデルは、しばしば事前の知識を欠いているため、誤って存在しない事前試験を参照する合成レポートが生成される。
本稿では,ルールに基づくラベル付け手法を用いて,放射線学報告から先行情報を抽出する手法を提案する。
論文 参考訳（メタデータ） (2023-05-08T09:12:44Z) - Multimodal Image-Text Matching Improves Retrieval-based Chest X-Ray
Report Generation [3.6664023341224827]
X-REM (Contrastive X-Ray Report Match) は、X-REM (X-REM) という新しい検索方式の放射線学レポート生成モジュールである。
X-REMは、胸部X線画像の類似度を測定するための画像テキストマッチングスコアと、レポート検索のための放射線診断レポートを使用する。
論文 参考訳（メタデータ） (2023-03-29T04:00:47Z) - 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) - Improving Radiology Report Generation Systems by Removing Hallucinated
References to Non-existent Priors [1.1110995501996481]
本稿では,放射線学報告における過去の文献参照を除去する2つの方法を提案する。
GPT-3をベースとした少数ショットによる医療報告の書き直し手法と,BioBERTをベースとしたトークン分類手法により,先行参照語を直接削除する手法である。
CXR-ReDonEと呼ばれる再学習モデルでは,臨床測定値に対する従来のレポート生成手法を上回り,平均BERTSスコア0.2351(絶対改善率2.57%)を達成した。
論文 参考訳（メタデータ） (2022-09-27T00:44:41Z) - 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) - Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。
本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。
2つの公開データセットで最先端の結果を得る。
論文 参考訳（メタデータ） (2021-06-13T11:20:31Z) - Generating Radiology Reports via Memory-driven Transformer [38.30011851429407]
本稿では,メモリ駆動型トランスフォーマを用いた放射線学レポートの作成を提案する。
IU X線とMIMIC-CXRの2つの代表的な放射線学報告データセットの実験結果
論文 参考訳（メタデータ） (2020-10-30T04:08:03Z) - 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。