weixin_44384749的博客

摘要：针对两个问题：【1】严重的数据偏差：视觉数据偏差：数据集中正常样本图像的比例远超于异常样本图像；此外，每个异常样本图像中，正常区域的占比远超于异常区域的占比。 文本数据偏差：放射学家标注的参考报告，通常遍历所有部位生成了描述，使得整个报告中正常本文描述占了绝大多数。此外，描述同一个部位的许多句子重复率极高。【2】有限的医学数据： 大部分现有的方法不会考虑它们的难度，而统一进行随机采样。有限数据的不平衡的数据偏差将会误导模型训练。所以，提出了CMCL（具体做法）:...

Generating Radiology Reports via Memory-driven Transformer文章链接：https://www.aclweb.org/anthology/2020.emnlp-main.112.pdf摘要医学图像常被用于临床诊断和医疗诊断的实验。写医学报告对于无经验的医生来说是一个耗时且容易出错的。因此，自动地生成医疗报告被赋予高期望去减轻放射科专家的工作量，并推动临床自动，这对于应用人工智能到医学领域是一个关键任务。本文，我们提出利用memory-driven的

Hybrid Retrieval-Generation Reinforced Agent for Medical Image Report Generation混合检索生成强化的代理----------医学报告生成文章链接：https://proceedings.neurips.cc/paper/2018/file/e07413354875be01a996dc560274708e-Paper.pdf此博客适合对于image captioning 和 reinforcement learning 具有一

On the Automatic Generation of Medical Imaging Reports （ACL2018） Github源码复现数据集获取地址：https://github.com/nlpaueb/bio_image_caption代码地址：https://github.com/ZexinYan/Medical-Report-Generation文章目录On the Automatic Generation of Medical Imaging Reports （ACL2018）