Feb, 2020

使用注意力模型自动标注 MRI 扫描放射学报告（ALARM）

PDF
TL;DR本文介绍了一种基于 Transformer 网络的医学影像分类方法，通过自动标注专家医学报告中的图像标签，克服了大规模数据集标注的困难，其表现相当于专家放射科医师，高于专业医生，该方法可行性很高，并提供了在线代码以帮助研究人员标记自己的 MRI 数据集以供医学应用。
发现论文，激发创造
  • 使用深度学习自动标记德语胸部 X 光放射学报告

    本研究探索了使用基于规则的标签机器人进行弱监督的深度学习标签预测模型的潜力，并提出了一种深度学习的 CheXpert 标签预测模型，该模型在基于规则的德国 CheXpert 模型标记的报告上进行了预训练，并在少量手动标记的报告数据集上进行了微调。结果表明，本方法的有效性显著优于基于规则的模型，并强调了即使在稀疏数据场景下，采用深度学习模型的好处和规则标记器作为弱监督工具的用处。

    Jun, 2023

  • 利用神经注意模型对放射学报告进行分类

    本文提出了一种新颖的神经注意机制，采用了双注释数据集和深度学习模型来分类放射学头部计算机断层摄影报告，并使用注意力分析生成热力图以突出 CNN 模型使用的关键单词，证明该模型在医学决策等方面具有应用价值。

    Aug, 2017

  • 自主学习的文本视觉框架用于自动脑部异常检测

    通过利用神经放射学报告中丰富的信息，我们提出了一个自监督的文字 - 视觉框架，通过对脑部 MRI 扫描进行无监督学习，检测临床相关的异常，为自动分类、自动分级等应用提供支持。

    May, 2024

  • CheXbert: 利用 BERT 结合自动标注器和专家注释实现准确放射学报告标注

    本文介绍了一种基于 BERT 的医学图像报告标注方法，利用了可用规则系统的规模和专家注释的质量，经过预训练和微调得到的 CheXbert 模型，在胸透数据集上表现优异，超过了以往最好的规则系统，成为该领域最先进技术。

    Apr, 2020

  • 基于记忆驱动的 Transformer 生成放射学报告

    本文提出了使用记忆驱动 Transformer 来生成放射学报告，实验证明该方法可以以更高的质量、更长的长度和更多的医学术语产生放射学报告，此为我们所知第一次在 MIMIC-CXR 上实现放射学报告的生成结果。

    Oct, 2020

  • 自监督上下文语言表征用于放射学报告，以提高通信紧急性识别

    本文利用 BERT 模型在无标注大语料库中预训练生成上下文表示，进而构建医学无标注文本的自监督学习模型提高判别医学报告的信息提示等级，并取得了显著性能优于 Word2vec 模型的效果。

    Dec, 2019

  • 替换和报告：基于自然语言处理的放射学报告生成

    本文提出了一种基于模板的方法，通过使用多标签图像分类器，变换器模型和 BERT 多标签文本分类器，还有规则系统从放射学图像中生成放射学报告，并在实验中通过 IU Chest X-ray 和 MIMIC-CXR 数据集表现出比现有技术模型更好的性能。

    Jun, 2023

  • T-AutoML：使用 3D 医学影像变换器进行病变分割的自动化机器学习

    本文提出了一种新的自动化机器学习算法 T-AutoML，它不仅可以搜索最佳神经结构，而且可以同时找到最佳超参数和数据增强策略。该方法利用现代 transformer 模型适应搜索空间嵌入的动态长度并在多个大规模公共病变分割数据集上达到了最先进的性能。

    Nov, 2021

  • 基于 Transformer 的深度学习在生成结构化放射学报告中的应用

    本研究提出一种以 transformers 为基础的细粒度命名实体识别体系结构，用于临床信息提取，通过 fine-tuning 在 ROUGE-1、ROUGE-2、ROUGE-L 和 BLEU 度量指标上的表现优于之前使用的人工神经网络和卷积神经网络模型。

    Sep, 2022

  • 训练医学影像分析系统，如同放射科医生

    本文提出了一种基于 “元训练” 的医学图像分析模型训练方法，通过使用选自小型数据集的任务来设计模型，利用教师 - 学生课程学习进行分类，测试结果表明该方法在自动乳腺肿瘤筛查分类方面取得了最佳效果。

    May, 2018