Feb, 2020

当放射学报告生成遇见知识图谱

PDF
TL;DR本文介绍了使用预构建图嵌入模块（图卷积神经网络建模）来辅助放射图像报告生成的方法，该方法可以对多种疾病发现进行专门的特征学习并建立它们之间的关系，同时提出了用于医学图像报告的新的评估指标，并在公开数据集（IU-RR）上展示了该方法的优异性能。
automatic radiology report generationdeep learningdisease keywordsevaluation metricknowledge graph
发现论文，激发创造
  • 像放射科医师一样阅读放射学影像

    提出了一种利用疾病定向检索框架以及事实一致性字幕生成器解决医学图像报告自动生成中的疾病区域强调、视觉和文本数据偏见、长文本生成等难题的方法。

    Jul, 2023

  • 多语言结构化放射学报告的知识图谱嵌入

    我们引入了一种新颖的轻量级基于图的嵌入方法，特别适用于放射学报告，通过多语言 SNOMED 临床术语知识库连接报告中的医学术语，揭示了临床术语之间的潜在关系，实现了更好地理解和临床准确性的表示，而不依赖于大规模预训练数据集。我们展示了这种嵌入方法在 X 光报告的疾病分类和图像分类两个任务上的应用，并且相较于基于 BERT 的模型，在体积和训练数据需求方面要小得多。同时，我们展示了图嵌入方法如何利用跨模态知识传递，在不同语言之间具有可用性。

    Sep, 2023

  • 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

  • 知识图谱构建及其在放射科医生口述自动报告生成中的应用

    应用自然语言处理技术如信息抽取和领域特定知识图谱，从放射科医生的听写中自动生成放射学报告，并通过语义相似性度量评估所生成的病态描述，显示出与黄金标准病态描述 97% 的相似度。

    Jun, 2022

  • 知识至上：具有通用和特定知识的放射学报告生成

    本文提出一种基于多头注意力机制和引入一般和特定的医疗知识的放射学报告生成方法，结合放射学影像的视觉特征，可以提高放射学报告的质量，并在公开数据集上进行的实验结果表明，提出的知识增强方法优于最先进的基于图像字幕的方法。

    Dec, 2021

  • 基于 RadGraph 和少样本引导的风格感知放射学报告生成

    通过从图像中提取内容，并将提取的内容转化为与特定放射科医生风格匹配的报告，我们提出了一种用于射线学报告生成的两步方法，该方法利用 RadGraph 和大型语言模型（LLMs）。量化评估结果证明，我们的方法带来了良好的性能。与临床评估员进行的人类评估表明，尽管只使用了几个示例作为背景信息，但 AI 生成的报告与个体放射科医生的风格无法区分。

    Oct, 2023

  • 通过语义奖励提高放射科报告生成的事实正确性

    通过使用 RadGraph 奖励提出了一种基于胸透领域实体和实体关系的新方法，以进一步提高放射学报告的实际完成和正确性，该方法显着改善了放射学报告生成效果。

    Oct, 2022

  • 基于多视图影像融合和医学概念增强的自动放射学报告生成

    提出了一种基于深度学习技术的生成式编码解码模型，通过对大量胸部 X 光图像进行预先训练并提取医疗概念，结合词级别的注意力机制，成功生成精准较为自然的放射学报告。

    Jul, 2019

  • 先验知识增强放射学报告生成

    本文提出了一种基于知识图谱的深度学习方法，将医学发现之间的相互关系挖掘和表示，并将这些先验知识用于辅助放射学报告生成，实验结果表明，相较于过去的方法，该模型性能有显著提升。

    Jan, 2022

  • 针对胸部 X 光检查报告生成的动态图形增强对比学习

    该研究介绍了一种名为 DCL 的知识图动态结构方法，它使用对比学习技术融合了医学报告的特定和通用知识，用于自动生成医学报告，并在 IU-Xray 和 MIMIC-CXR 数据集上实验表明，DCL 优于之前的最先进模型。

    Mar, 2023