该研究旨在探索多模态联合嵌入并生成医学影像模态和相关放射学报告，并通过受监督和无监督学习的方式，实现在文档检索任务中的表现，发现只需有限的监督即可获得与完全监督方法类似的结果。

Nov, 2018

该论文提出了一种基于交叉模态检索的自动医学图像报告生成方法，该方法可以从报告中识别异常发现，并将它们与无监督聚类和最小规则分组，通过使用提出的有条件构建的视觉 - 语义嵌入进行图像和小粒度异常发现对齐，其能够更好地检索异常发现并在临床正确性和文本生成度量方面优于现有的生成模型。

Oct, 2020

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

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

本研究提出了一种新型的框架，将模板检索和句子生成相结合，以处理普通和罕见异常情况，同时确保检测到的医学术语之间的语义一致性，该方法在两个医学报告基准测试上取得了明显的优势。

Jan, 2021

本篇论文提出一种新的无监督模式 RegGAN，使用 loss-correction 理论解决 medical image-to-image translation 中图像对齐问题，对于包括医学影像在内的广泛场景中无须像素精确对齐的图像，RegGAN 表现比 Pix2Pix 和 Cycle-consistency 更好。

Oct, 2021

本研究旨在通过将病人的胸部 X 射线图像和临床病史文档作为输入，利用一种完全可微的端到端框架来生成既流畅又具有临床准确性的医学报告，并通过分类、生成和解释三个互补模块来实现。其表现出良好的语言流畅性和临床准确性，当可提供附加信息时，例如临床文档和不同视图的额外扫描，仍然可以始终显著提高性能。

Aug, 2021

本研究提出了一种通用的交叉模态医学图像合成方法，通过端到端的三维卷积神经网络实现具有真实感的立体图像合成和分割任务，以便作为补充训练样本，进一步提高分类器的泛化能力，生成放射疗法计划所需的 X-ray 衰减图等。对 4,496 个 CT 和磁共振成像 (MRI) 心血管体积的广泛实验表明，两个任务相互促进，耦合这两个任务比单独解决它们更有利。

Feb, 2018

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

提出了一种新颖的自动超声报告生成框架，利用无监督和监督学习方法相结合，从超声文本报告中提取潜在知识，并设计了全局语义比较机制，以生成更全面准确的医学报告。

Jun, 2024