ACLJun, 2023

基于树形推理的观察引导放射学报告生成

PDF
TL;DR本文提出了一种以观察为导向的放射学报告生成框架（ORGAN），其通过采用观察图和树型推理机制，将图像信息与文本计划结合进行报告生成，其实验结果表明，相比先前最先进的方法，该框架在文本质量和临床疗效方面表现更佳。
radiologyreport generationobservation-guidedplanreasoning mechanism
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

  • 基于深度学习的放射学报告生成研究的系统综述

    深度学习在医学影像的报告生成方面的关键研究进展进行了综述，强调了基于任务特征的方法、视觉和文本信息的综合利用以及跨模态交互对于提高报告生成质量的重要性，并介绍了常用的基准数据集和评估指标，分析了不同方法的性能并展望了未来发展方向。

    Nov, 2023

  • 复杂器官掩模引导的放射学报告生成

    通过多种器官的掩码，结合疾病的先验知识，提供更详细的信息并引导模型关注这些重要的身体部位，以实现自动报告生成。

    Nov, 2023

  • 交互式及可解释的区域引导放射学报告生成

    本研究提出了一种基于区域引导的报告生成模型，该模型能够检测解剖区域并生成具有人类可读性和可解释性的报告，通过额外的交互能力和更高的透明度和可解释性，扩展了新的临床应用案例。实验结果表明，该方法在报告生成方面具有非常出色的性能，并在交互性能方面表现突出。

    Apr, 2023

  • 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

  • 放射学报告生成的自我导向框架

    该研究提出了一种自我指导的框架，它采用无监督和监督深度学习方法，模仿人类学习和写作的过程，成功地提高了医学报告的生成准确性和长度，并获得了比当前最先进方法更好的性能。

    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

  • 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

  • 当放射学报告生成遇见知识图谱

    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。

    Feb, 2020

  • 临床准确的胸部 X 光报告生成

    本文提出了一个可以考虑到临床精度的全自动胸部 X 光辐射学报告生成系统，利用计算机视觉和自然语言生成的高级方法来生成可读的报告，重点关注临床领域的细微差别，并通过强化学习来微调该系统。

    Apr, 2019