利用协同知识生成胸部X光放射学所见
计算机视觉与模式识别
2023-06-21 v1 计算与语言
摘要
在典型放射学报告的各个小节中,临床指征、所见和印象通常反映患者健康状况的重要细节。印象中包含的信息也常涵盖于所见中。虽然所见和印象可通过检查图像推断,临床指征常需额外上下文。解读医学图像的认知任务仍是放射学工作流中最关键且往往耗时的步骤。本文不生成端到端放射学报告,而是聚焦于通过医学图像( specifically胸部X光(CXRs))的自动解读生成所见。因此,本工作旨在减轻放射科医生大部分用于书写或口述所见的工作量。与以往将放射学报告生成作为单步图像字幕任务的研究不同,我们进一步考虑CXR图像解读的复杂性,提出两步法:(a)检测图像中异常区域;(b)利用生成式大语言模型(LLM)为异常区域生成相关文本。该两步法引入了一层可解释性,并使框架与放射科医生审阅CXR时的系统性推理相对齐。
引用
@article{arxiv.2306.10448,
title = {Generation of Radiology Findings in Chest X-Ray by Leveraging Collaborative Knowledge},
author = {Manuela Daniela Danu and George Marica and Sanjeev Kumar Karn and Bogdan Georgescu and Awais Mansoor and Florin Ghesu and Lucian Mihai Itu and Constantin Suciu and Sasa Grbic and Oladimeji Farri and Dorin Comaniciu},
journal= {arXiv preprint arXiv:2306.10448},
year = {2023}
}
备注
Information Technology and Quantitative Management (ITQM 2023)