CT-GRAPH：面向解剖学引导的层次化图注意力网络用于 CT 报告生成
计算机视觉与模式识别
2025-08-08 v1
摘要
医学影像是诊断过程的核心环节，自动生成放射科报告日益重要，以协助放射科医生处理繁重工作负荷。目前大多数方法仅依赖全局图像特征，无法捕获准确报告所必需的细粒度器器关系。为此，我们提出 CT-GRAPH，一种层次化图注意力网络，通过将解剖区域结构化为图来显式建模放射学知识，将细粒度器器特征链接到较粗的解剖系统及全局患者背景。我们利用预训练的 3D 医疗特征编码器，通过解剖掩码获取全局和器器级别特征，这些特征在图内进一步细化，然后集成到大语言模型中以生成详细的医学报告。我们在大型胸部 CT 数据集 CT-RATE 上对报告生成任务进行评估。我们深入分析了用于 CT 报告生成的预训练特征编码器，表明该方法在 F1 分数上相较于当前最先进方法实现了绝对提升 7.9%。代码已公开于 https://github.com/hakal104/CT-GRAPH。
引用
@article{arxiv.2508.05375,
title = {CT-GRAPH: Hierarchical Graph Attention Network for Anatomy-Guided CT Report Generation},
author = {Hamza Kalisch and Fabian Hörst and Jens Kleesiek and Ken Herrmann and Constantin Seibold},
journal= {arXiv preprint arXiv:2508.05375},
year = {2025}
}