Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.12356

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2501.12356 (cs)
[提交于 2025年1月21日 ]

标题: 视觉-语言模型用于自动胸部X光片解读:利用ViT和GPT-2

标题: Vision-Language Models for Automated Chest X-ray Interpretation: Leveraging ViT and GPT-2

Authors:Md. Rakibul Islam, Md. Zahid Hossain, Mustofa Ahmed, Most. Sharmin Sultana Samu
摘要: 放射学在现代医学中起着关键作用,这是由于其非侵入性的诊断能力。 然而,手动生成非结构化医学报告既耗时又容易出错。 这在临床工作流程中形成了一个显著的瓶颈。 尽管人工智能生成的放射学报告取得了进展,但在实现详细和准确的报告生成方面仍存在挑战。 在本研究中,我们评估了不同组合的多模态模型,这些模型结合了计算机视觉和自然语言处理,以生成全面的放射学报告。 我们使用了预训练的视觉变换器(ViT-B16)和SWIN变换器作为图像编码器。 BART和GPT-2模型作为文本解码器。 我们使用IU-Xray数据集中的胸部X光图像和报告来评估SWIN变换器-BART、SWIN变换器-GPT-2、ViT-B16-BART和ViT-B16-GPT-2模型在报告生成中的可用性。 我们的目标是找到这些模型中的最佳组合。 SWIN-BART模型在四个模型中表现最佳,在ROUGE、BLEU和BERTScore等几乎所有评估指标中都取得了显著的结果。
摘要: Radiology plays a pivotal role in modern medicine due to its non-invasive diagnostic capabilities. However, the manual generation of unstructured medical reports is time consuming and prone to errors. It creates a significant bottleneck in clinical workflows. Despite advancements in AI-generated radiology reports, challenges remain in achieving detailed and accurate report generation. In this study we have evaluated different combinations of multimodal models that integrate Computer Vision and Natural Language Processing to generate comprehensive radiology reports. We employed a pretrained Vision Transformer (ViT-B16) and a SWIN Transformer as the image encoders. The BART and GPT-2 models serve as the textual decoders. We used Chest X-ray images and reports from the IU-Xray dataset to evaluate the usability of the SWIN Transformer-BART, SWIN Transformer-GPT-2, ViT-B16-BART and ViT-B16-GPT-2 models for report generation. We aimed at finding the best combination among the models. The SWIN-BART model performs as the best-performing model among the four models achieving remarkable results in almost all the evaluation metrics like ROUGE, BLEU and BERTScore.
评论: 预印本,正在审稿的文稿
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2501.12356 [cs.CV]
  (或者 arXiv:2501.12356v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.12356
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Md. Rakibul Islam [查看电子邮件]
[v1] 星期二, 2025 年 1 月 21 日 18:36:18 UTC (3,084 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号