論文の概要: Topicwise Separable Sentence Retrieval for Medical Report Generation

• arxiv url: http://arxiv.org/abs/2405.04175v1
• Date: Tue, 7 May 2024 10:21:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 14:29:58.648895
• Title: Topicwise Separable Sentence Retrieval for Medical Report Generation
• Title（参考訳）: 医学報告作成のための話題別文検索
• Authors: Junting Zhao, Yang Zhou, Zhihao Chen, Huazhu Fu, Liang Wan,
• Abstract要約: 医療報告生成のためのトピックワイズ分離文検索(Teaser)を導入する。 一般的なトピックと稀なトピックの両方を包括的に学習するために、クエリを共通型と希なタイプに分類し、トピックコントラストロスを提案する。 MIMIC-CXRとIU X線データセットの実験は、ティーザーが最先端のモデルを上回ることを示した。
• 参考スコア（独自算出の注目度）: 41.812337937025084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated radiology reporting holds immense clinical potential in alleviating the burdensome workload of radiologists and mitigating diagnostic bias. Recently, retrieval-based report generation methods have garnered increasing attention due to their inherent advantages in terms of the quality and consistency of generated reports. However, due to the long-tail distribution of the training data, these models tend to learn frequently occurring sentences and topics, overlooking the rare topics. Regrettably, in many cases, the descriptions of rare topics often indicate critical findings that should be mentioned in the report. To address this problem, we introduce a Topicwise Separable Sentence Retrieval (Teaser) for medical report generation. To ensure comprehensive learning of both common and rare topics, we categorize queries into common and rare types to learn differentiated topics, and then propose Topic Contrastive Loss to effectively align topics and queries in the latent space. Moreover, we integrate an Abstractor module following the extraction of visual features, which aids the topic decoder in gaining a deeper understanding of the visual observational intent. Experiments on the MIMIC-CXR and IU X-ray datasets demonstrate that Teaser surpasses state-of-the-art models, while also validating its capability to effectively represent rare topics and establish more dependable correspondences between queries and topics.
• Abstract（参考訳）: 自動放射線学報告は、放射線医の負担を軽減し、診断バイアスを緩和する大きな臨床的可能性を秘めている。 近年,検索に基づくレポート生成手法が注目されている。 しかし、トレーニングデータの長期分布のため、これらのモデルは稀な話題を見越して頻繁に発生する文や話題を学習する傾向にある。 多くの場合、稀なトピックの記述は、レポートで言及すべき重要な発見を示すことが多い。 この問題に対処するために,医療報告生成のためのトピックワイズ分離文検索(Teaser)を導入する。 一般的なトピックと稀なトピックの両方を包括的に学習するために、クエリを一般的なタイプと稀なタイプに分類して区別されたトピックを学習し、トピックコントラッシブ・ロスを提案し、潜在領域におけるトピックとクエリを効果的に整合させる。 さらに,視覚的特徴の抽出に従って抽象モジュールを統合し,トピックデコーダによる視覚的観察意図の深い理解を支援する。 MIMIC-CXRとIU X線データセットの実験では、ティーザーは最先端のモデルを超え、レアトピックを効果的に表現し、クエリとトピック間のより信頼性の高い対応を確立する能力も検証している。

関連論文リスト

• Eye-gaze Guided Multi-modal Alignment for Medical Representation Learning [65.54680361074882]
  アイゲイズガイドマルチモーダルアライメント(EGMA)フレームワークは、アイゲイズデータを利用して、医用視覚的特徴とテキスト的特徴のアライメントを改善する。 我々は4つの医療データセット上で画像分類と画像テキスト検索の下流タスクを行う。
  論文  参考訳（メタデータ） (2024-03-19T03:59:14Z)
• Cross-Modal Causal Intervention for Medical Report Generation [109.83549148448469]
  医療報告生成(MRG)は、コンピュータ支援診断と治療指導に不可欠である。 視覚的および言語的バイアスによって引き起こされる画像テキストデータ内の素早い相関のため、病変領域を確実に記述した正確なレポートを生成することは困難である。 本稿では,視覚分解モジュール (VDM) と言語分解モジュール (LDM) からなるMRGのための新しい視覚言語因果干渉 (VLCI) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)
• Lesion Guided Explainable Few Weak-shot Medical Report Generation [25.15493013683396]
  本報告では, 病状ガイドによる説明が可能で, 弱ショット医療報告生成フレームワークを提案する。 視覚的特徴アライメントと意味的特徴アライメントによって、目と新しいクラス間の相関を学習する。 研修で観察されていない病気の医療報告を作成することを目的としている。
  論文  参考訳（メタデータ） (2022-11-16T07:47:29Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• Extracting Radiological Findings With Normalized Anatomical Information Using a Span-Based BERT Relation Extraction Model [0.20999222360659603]
  医用イメージングレポートは、放射線技師の発見と観察を精査する。 このテキストエンコードされた情報の大規模利用には、構造化されていないテキストを構造化された意味表現に変換する必要がある。 放射線学的所見に関連する放射線学的報告における解剖学的情報の抽出と正規化について検討する。
  論文  参考訳（メタデータ） (2021-08-20T15:02:59Z)
• 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)
• 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)
• 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)

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。