Jun, 2023

使用深度学习自动标记德语胸部 X 光放射学报告

PDF
TL;DR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。
radiologistsdeep learninglabel extractionweak supervisionchexpert
发现论文，激发创造
  • 德国 CheXpert 胸部 X 光放射学报告标签制造机

    本研究旨在开发一种算法，用于自动从德国胸腔放射学报告中提取用于 X 光分类模型注释的标签，并基于 CheXpert 架构设计了一个自动标注提取模型，并创建了一个基于 Web 的注释界面以进行迭代改进，结果表明，自动标签提取能够减少手动标注的时间并提高整体建模性能。与手动标记数据相比，使用自动提取标签训练的模型表现出了很高的竞争力，并且强大地优于使用公开数据训练的模型。

    Jun, 2023

  • 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

  • 细粒度标签学习在胸部 X 射线检查报告生成中的应用

    通过一种具有领域知识的自动生成算法和深度学习网络，对于胸部 X 光片的影像可实现自动标记并生成描述性报告，其精度优于现有的状态评价指标，如先前的自动化方法无法准确检测广泛的放射学发现。

    Jul, 2020

  • VisualCheXbert：解决放射学报告标签和图像标签之间的差异

    使用 BERT 模型直接从放射学报告映射到图像标签的方法，优于现有的医学报告标签方法，与放射科医生标注的胸部 X 光图像的平均 F1 分数为 0.12 至 0.21。

    Feb, 2021

  • 基于多模型深度学习方法的自动胸片报告生成器

    通过利用多个二元分类模型，将放射学异常检测限制在心脏肥大、肺积液和实变方面，我们提出了一种基于多模型深度学习的自动胸部 X 射线报告生成系统，旨在辅助放射科医生的工作，通过图像预处理、使用深度学习模型检测异常、生成报告三个步骤来生成一份放射学报告，从而降低放射科医生的工作负担并提高胸部 X 射线诊断的准确性。

    Sep, 2023

  • 使用注意力模型自动标注 MRI 扫描放射学报告（ALARM）

    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。

    Feb, 2020

  • 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

  • 胸部 X 光报告生成的弱监督对比学习

    本篇论文提出了一种弱监督的对比损失方法，用于提高放射学报告生成的文本质量，实验结果表明该方法在两个公共基准数据集上在临床正确性和文本生成指标方面优于以前的工作。

    Sep, 2021

  • 中文胸部 X 射线报告生成的疾病标签器

    该研究提出了一种专门用于生成中文胸部 X 射线报告的疾病标定器，该标定器利用双 BERT 架构处理诊断报告和临床信息并基于疾病和身体部位的关联构建了一个分层标签学习算法，从而提高了文本分类性能。利用该疾病标定器，建立了一个包含 51,262 个报告样本的中文胸部 X 射线报告数据集。最后，对一部分专家注释的中文胸部 X 射线报告进行了实验证明了该疾病标定器的有效性。

    Mar, 2024

  • 通过从 X 射线专家模型中提炼知识来引导胸部 CT 图像理解

    利用自然语言作为有限可用的数据集辅助胸部 CT 图像理解并通过对比学习技术提高模型的性能。

    Apr, 2024