CN111243729A - 一种肺部x线胸片检查报告自动生成方法 - Google Patents
一种肺部x线胸片检查报告自动生成方法 Download PDFInfo
- Publication number
- CN111243729A CN111243729A CN202010013066.XA CN202010013066A CN111243729A CN 111243729 A CN111243729 A CN 111243729A CN 202010013066 A CN202010013066 A CN 202010013066A CN 111243729 A CN111243729 A CN 111243729A
- Authority
- CN
- China
- Prior art keywords
- chest
- report
- lung
- label
- semantic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
目前的X线胸片检查报告自动生成方法无法准确地生成长段的检查报告、无法有效地捕获胸片包含的语义信息、未考虑中文检查报告中正常样本描述相似的特点。一种肺部X线胸片检查报告自动生成方法,本发明的创新点在于利用胸片的语义标签生成检查报告,并针对中文检查报告的特点加入二分类器来区分胸片的正常与异常,有效地提高了自动生成中文检查报告的精确度。
Description
技术领域
本发明涉及计算机视觉以及自然语言处理领域。
X线胸片检查报告自动生成是计算机辅助诊断领域的一个重要分支。
背景技术
由于目前仍未出现公开的胸片中文检查报告数据集,因此针对中文检查报告的自动生成研究仍十分匮乏。在胸片检查报告生成领域,仅有印第安纳大学公开的英文检查报告数据集openI,相关的研究大部分是在此数据集上进行的。Wang等人设计的TieNet,将检查报告和图像作为输入,在实现疾病分类的同时,生成检查报告。该方法提升了疾病分类的准确度,但是生成的检查报告BLEU值较低。Jing等人借鉴了Krause用于生成长段落的分层LSTM方法,将图像的特征以及语义特征作为句子级LSTM的输入,生成多个话题向量,并通过单词级LSTM对每个话题向量生成一句描述。Li等人把正面和侧面胸片同时作为CNN的输入,将检索法和生成法相结合,对于出现频率高的句子采用检索法,对于出现频率低的句子采用分层LSTM方法生成,最后将所有句子组合成一段检查报告。Xu等人提出的模型以循环的方式将CNN和LSTM结合在一起。模型结合图像特征和生成的句子构建输入,以指导下一个句子的生成。
以上方法的目标是生成检查报告的finding和impression部分,由于该部分包含大量的语义信息,但是模型在生成报告时难以捕捉如此丰富的信息,因此以上方法生成的 检查报告精度较低。
发明内容
X线胸片检查报告自动生成是计算机辅助诊断的一项重要任务,有助于减轻医生工作负担,提高诊断效率。目前的检查报告自动生成方法以生成长段的检查报告为目标,由于长段报告包含信息量过大,自动生成的报告质量不高;并且现有方法通常使用图像特征直接生成报告,而图像特征包含的语义信息有限;另外,现有研究多是针对英文检查报告,未考虑到中文检查报告的一些特点。
针对以上问题,本发明以生成肺部的检查报告为目标,采用多标签分类得到的语义标签来生成检查报告,并且针对中文检查报告中正常症状描述相似这一特点,通过加入二分类器提高了生成正常症状报告的精确度。
为了实现上述目的,本发明给出的技术方案为:
本发明提供一种肺部X线胸片检查报告自动生成方法,包括:
步骤1、构建胸片检查报告数据集;
步骤2、对中文检查报告进行预处理工作;
步骤3、利用多标签分类器获取胸片的语义标签;
步骤4、利用二分类器区分胸片的正常与异常;
步骤5、将步骤2多标签分类器得到的语义标签与步骤3二分类器的输出相结合,输入LSTM生成检查报告。
有益效果
本发明针对现有目前的X线胸片检查报告自动生成方法无法准确地生成长段的检查报告、无法有效地捕获胸片包含的语义信息、未考虑中文检查报告中正常样本描述相似的特点等问题,实现了一种肺部X线胸片检查报告自动生成方法。本发明以生成肺部检查报告为目标,通过选取与异常相关的高频词作为语义标签,利用语义标签生成检查报告,并且结合二分类器提高了生成正常症状报告的精确度,有助于推进中文检查报告自动生成领域的研究,对于计算机辅助诊断领域有重大意义。
本发明仅生成肺部的检查报告,给出一种肺部X线胸片检查报告自动生成方法。肺部报告相对于整段检查报告,包含的信息较少,便于模型在生成时捕捉有效信息,从而生成更确切的报告。
附图说明
附图是用来提动对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但不构成对本发明的限制。在附图中:
图1为胸片肺部检查报告自动生成方法的技术路线图;
图2为步骤二中文检查报告预处理的流程图;
图3为步骤三利用多标签分类器获取胸片的语义标签;
图4为步骤四利用二分类器区分胸片的正常与异常;
图5为利用LSTM生成肺部检查报告的说明图;
图6为肺部胸片检查报告自动生成的流程图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的具体实施方式进行清楚、完整的描述。应当理解的是,此处所描述的具体实施方法仅用于说明和解释本发明,并不用于限制本发明。
本发明的具体实施过程如图1所示,包括如下5个方面:
步骤1、构建胸片检查报告数据集;
步骤2、对中文检查报告进行预处理工作;
步骤3、利用多标签分类器获取胸片的语义标签;
步骤4、利用二分类器区分胸片的正常与异常;
步骤5、将步骤2多标签分类器得到的语义标签与步骤3二分类器的输出相结合,输入LSTM生成检查报告。
各个步骤详述如下。
第一步:采集胸片和中文检查报告用于构建胸片检查报告数据集。
数据集中包含胸片和检查报告,其中,将中文检查报告提供给第二步,将胸片提供给第三步和第四步。
第二步:对中文检查报告进行预处理工作,如图2所示
2.1:按句号对中文检查报告的片示部分内容进行划分;
2.2:筛选出中文检查报告中与肺相关的描述;
2.3:将收集的医学词典加入jieba分词器的用户字典,使用jieba分词器对中文检查报告中与肺相关的描述进行分词;
2.4:得到肺部检查报告数据集,提供给步骤3.1,步骤4.1和步骤5.2。
第三步:利用多标签分类器获取胸片的语义标签,如图3所示
3.1:首先,利用步骤2.4的肺部检查报告数据集建立一个语义标签集合。
3.1.1:统计肺部检查报告中所有词语出现的次数;
3.1.2:选择出现次数高并且与异常相关的词语,将这些词语按照词意进行归类(词语的意思相同的归为一类),得到40类语义标签,作为语义标签集合;提供给步骤3.2。
3.2:为胸片标记语义标签。
每张胸片需要标注一个语义标签y=[y1,y2,…,y40]T。设当胸片的肺部检查报告中出现了属于j类语义标签的词语时,yj=1,否则yj=0。正常胸片的语义标签全为0,即y=[0,0,…,0]T。
将标注了语义标签的胸片提供给步骤3.3。
3.3:训练多标签分类器。
多标签分类器的实现采用现有的空间正则化网络[1](Spatial RegularizationNetwork,SRN),网络包括两部分:第一个部分采用现有的ResNet-101神经网络[2],输入是一张胸片,输出是向量作用是预测每个标签出现的概率;第二个部分是一个基于注意力机制的神经网络,该网络为3层卷积层组成的注意力预测器fatt,连接一个三层卷积网络fsr构成。输入是ResNet-101的“res4b22_relu”层提取的特征图X,输出是向量作用是利用注意力机制学习语义标签之间的关联性。最终多标签分类器即所述空间正则化网络输出的语义标签概率向量 其中σ表示Sigmoid函数。空间正则化网络的损失函数公式为:其中y表示步骤3.2标注的语义标签,表示空间正则化网络输出的语义标签概率向量。利用随机梯度下降法优化方法训练空间正则化网络。
第四步:利用二分类器区分胸片的正常与异常,如图4所示
4.1:根据步骤2.4得到的肺部检查报告数据集,为每一张胸片标注二分类标签ybc。肺部检查报告为正常的胸片标注ybc=0,肺部检查报告为异常的胸片标注ybc=1,提供给步骤4.2。
4.2:训练二分类器。
二分类器的实现采用现有的ResNet-101神经网络[2],训练时需要输入胸片和胸片标注的二分类器标签ybc,输出预测该胸片为异常的概率pbc。利用的损失函数为二分交叉熵损失函数,公式为:F2(ybc,pbc)=-ybc log(pbc)-(1-ybc)log(1-pbc);其中,ybc表示步骤4.1标注的二分类标签,pbc表示预测该胸片为异常的概率。设置阈值为λ,当pbc≥λ时,令二分类的结果B=1,否则B=0。
4.3:将胸片输入已训练的二分类器,将二分类的结果B提供给步骤5.1。
5.2:训练LSTM[3]。
如图6所示。
在训练时,LSTM的输入为胸片和步骤2.4得到的肺部检查报告。在时间步T=0,LSTM的输入为其中Wimg表示用于的权重矩阵,表示步骤5.1得到的结果;从时间步T=1到T=L,LSTM的输入为WsSt,其中L表示肺部检查报告中单词总数,Ws表示词向量的权重矩阵,St表示在肺部检查报告中的第t个单词采用one-hot编码表示的向量。损失函数的公式为 其中,N表示肺部检查报告的总数,L(i)表示第i个肺部检查报告中单词总数。表示第i个肺部检查报告中第t个单词,表示LSTM输出单词的概率。利用随机梯度下降优化方法训练LSTM。
5.3:利用训练后的LSTM生成肺部检查报告。输入胸片,LSTM输出肺部检查报告。如图6所示。
参考文献
[1]Zhu F,Li H,Ouyang W,et al.Learning spatial regularization withimage-level supervisions for multi-label image classification[C]//Proceedingsof the IEEE Conference on Computer Vision and Pattern Recognition.2017:5513-5522.
[2]He K,Zhang X,Ren S,et al.Deep residual learning for imagerecognition[C]//Proceedings of the IEEE conference on computer vision andpattern recognition.2016:770-778.
[3]Hochreiter S,Schmidhuber J.Long short-term memory[J].Neuralcomputation,1997,9(8):1735-1780.
创新点
提出了一种肺部X线胸片检查报告自动生成方法,和现有的X线胸片检查报告自动生成方法不同,本发明仅生成肺部的X线胸片检查报告,生成的检查报告更确切。本发明利用与异常相关的高频词作为胸片的语义标签,使用多标签分类器预测语义标签,最后通过语义标签生成检查报告,相比于通过图像特征生成的检查报告具有更高的精确度。此外,本发明针对中文检查报告的特点进行了优化,通过加入一个区分正常与异常的二分类器,提高了生成正常症状报告的精确度。
本发明提出的方法在中文X线胸片检查报告数据集中有很好的表现,提高了自动生成检查报告的精确度。
Claims (6)
1.一种肺部X线胸片检查报告自动生成方法,其特征在于,包括
步骤1、构建胸片检查报告数据集;
步骤2、对中文检查报告进行预处理工作;
步骤3、利用多标签分类器获取胸片的语义标签;
步骤4、利用二分类器区分胸片的正常与异常;
步骤5、将步骤2多标签分类器得到的语义标签与步骤3二分类器的输出相结合,输入LSTM生成检查报告。
2.如权利要求1所述的肺部X线胸片检查报告自动生成方法,其特征在于,第一步:采集胸片和中文检查报告用于构建胸片检查报告数据集。
数据集中包含胸片和检查报告,其中,将中文检查报告提供给第二步,将胸片提供给第三步和第四步。
3.如权利要求1所述的肺部X线胸片检查报告自动生成方法,其特征在于,第二步:对中文检查报告进行预处理工作,
2.1:按句号对中文检查报告的片示部分内容进行划分;
2.2:筛选出中文检查报告中与肺相关的描述;
2.3:将收集的医学词典加入jieba分词器的用户字典,使用jieba分词器对中文检查报告中与肺相关的描述进行分词;
2.4:得到肺部检查报告数据集,提供给步骤3.1,步骤4.1和步骤5.2。
4.如权利要求1所述的肺部X线胸片检查报告自动生成方法,其特征在于,
第三步:利用多标签分类器获取胸片的语义标签,
3.1:首先,利用步骤2.4的肺部检查报告数据集建立一个语义标签集合;
3.1.1:统计肺部检查报告中所有词语出现的次数;
3.1.2:选择出现次数高并且与异常相关的词语,将这些词语按照词意进行归类(词语的意思相同的归为一类),得到40类语义标签,作为语义标签集合;提供给步骤3.2;
3.2:为胸片标记语义标签;
每张胸片需要标注一个语义标签y=[y1,y2,…,y40]T;设当胸片的肺部检查报告中出现了属于j类语义标签的词语时,yj=1,否则yj=0;正常胸片的语义标签全为0,即y=[0,0,…,0]T;
将标注了语义标签的胸片提供给步骤3.3。
3.3:训练多标签分类器。
多标签分类器的实现采用现有的空间正则化网络[1](Spatial RegularizationNetwork,SRN),网络包括两部分:第一个部分采用现有的ResNet-101神经网络[2],输入是一张胸片,输出是向量作用是预测每个标签出现的概率;第二个部分是一个基于注意力机制的神经网络,该网络为3层卷积层组成的注意力预测器fatt,连接一个三层卷积网络fsr构成。输入是ResNet-101的“res4b22_relu”层提取的特征图X,输出是向量作用是利用注意力机制学习语义标签之间的关联性。最终多标签分类器即所述空间正则化网络输出的语义标签概率向量 其中σ表示Sigmoid函数。空间正则化网络的损失函数公式为:其中y表示步骤3.2标注的语义标签,表示空间正则化网络输出的语义标签概率向量。利用随机梯度下降法优化方法训练空间正则化网络。
5.如权利要求1所述的肺部X线胸片检查报告自动生成方法,其特征在于,
第四步:利用二分类器区分胸片的正常与异常,
4.1:根据步骤2.4得到的肺部检查报告数据集,为每一张胸片标注二分类标签ybc。肺部检查报告为正常的胸片标注ybc=0,肺部检查报告为异常的胸片标注ybc=1,提供给步骤4.2。
4.2:训练二分类器。
二分类器的实现采用现有的ResNet-101神经网络[2],训练时需要输入胸片和胸片标注的二分类器标签ybc,输出预测该胸片为异常的概率pbc。利用的损失函数为二分交叉熵损失函数,公式为:F2(ybc,pbc)=-ybclog(pbc)-(1-ybc)log(1-pbc);其中,ybc表示步骤4.1标注的二分类标签,pbc表示预测该胸片为异常的概率。设置阈值为λ,当pbc≥λ时,令二分类的结果B=1,否则B=0。
4.3:将胸片输入已训练的二分类器,将二分类的结果B提供给步骤5.1。
6.如权利要求1所述的肺部X线胸片检查报告自动生成方法,其特征在于,
5.2:训练LSTM
在训练时,LSTM的输入为胸片和步骤2.4得到的肺部检查报告。在时间步T=0,LSTM的输入为其中Wimg表示用于的权重矩阵,表示步骤5.1得到的结果;从时间步T=1到T=L,LSTM的输入为WsSt,其中L表示肺部检查报告中单词总数,Ws表示词向量的权重矩阵,St表示在肺部检查报告中的第t个单词采用one-hot编码表示的向量。损失函数的公式为 其中,N表示肺部检查报告的总数,L(i)表示第i个肺部检查报告中单词总数。表示第i个肺部检查报告中第t个单词,表示LSTM输出单词的概率。利用随机梯度下降优化方法训练LSTM。
5.3:利用训练后的LSTM生成肺部检查报告。输入胸片,LSTM输出肺部检查报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013066.XA CN111243729B (zh) | 2020-01-07 | 2020-01-07 | 一种肺部x线胸片检查报告自动生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010013066.XA CN111243729B (zh) | 2020-01-07 | 2020-01-07 | 一种肺部x线胸片检查报告自动生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111243729A true CN111243729A (zh) | 2020-06-05 |
CN111243729B CN111243729B (zh) | 2022-03-08 |
Family
ID=70863947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010013066.XA Active CN111243729B (zh) | 2020-01-07 | 2020-01-07 | 一种肺部x线胸片检查报告自动生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111243729B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112382360A (zh) * | 2020-12-03 | 2021-02-19 | 卫宁健康科技集团股份有限公司 | 一种诊断报告自动生成系统、存储介质及电子设备 |
US11244755B1 (en) | 2020-10-02 | 2022-02-08 | International Business Machines Corporation | Automatic generation of medical imaging reports based on fine grained finding labels |
US11763081B2 (en) | 2020-10-02 | 2023-09-19 | Merative Us L.P. | Extracting fine grain labels from medical imaging reports |
US11928186B2 (en) | 2021-11-01 | 2024-03-12 | International Business Machines Corporation | Combined deep learning and knowledge driven reasoning for artificial intelligence classification |
CN112382360B (zh) * | 2020-12-03 | 2024-05-31 | 卫宁健康科技集团股份有限公司 | 一种诊断报告自动生成系统、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509521A (zh) * | 2018-03-12 | 2018-09-07 | 华南理工大学 | 一种自动生成文本索引的图像检索方法 |
CN109545302A (zh) * | 2018-10-22 | 2019-03-29 | 复旦大学 | 一种基于语义的医学影像报告模板生成方法 |
CN109754015A (zh) * | 2019-01-02 | 2019-05-14 | 京东方科技集团股份有限公司 | 用于画作多标签识别的神经网络及相关方法、介质和设备 |
-
2020
- 2020-01-07 CN CN202010013066.XA patent/CN111243729B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108509521A (zh) * | 2018-03-12 | 2018-09-07 | 华南理工大学 | 一种自动生成文本索引的图像检索方法 |
CN109545302A (zh) * | 2018-10-22 | 2019-03-29 | 复旦大学 | 一种基于语义的医学影像报告模板生成方法 |
CN109754015A (zh) * | 2019-01-02 | 2019-05-14 | 京东方科技集团股份有限公司 | 用于画作多标签识别的神经网络及相关方法、介质和设备 |
Non-Patent Citations (5)
Title |
---|
FENGQI YAN ETAL: "Combining LSTM and DenseNet for Automatic Annotation and Classification of Chest X-Ray Images", 《IEEE ACCESS》 * |
XIN HUANG ETAL: "An Annotation Model on End-to-End Chest Radiology Reports", 《IEEE ACCESS》 * |
XIN HUANG ETAL: "Multi-Attention and Incorporating Background Information Model for Chest X-Ray Image Report Generation", 《IEEE ACCESS》 * |
王若佳等: "中文电子病历的分词及实体识别研究", 《图书情报工作》 * |
金宸等: "基于双向LSTM神经网络模型的中文分词", 《中文信息学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11244755B1 (en) | 2020-10-02 | 2022-02-08 | International Business Machines Corporation | Automatic generation of medical imaging reports based on fine grained finding labels |
US11763081B2 (en) | 2020-10-02 | 2023-09-19 | Merative Us L.P. | Extracting fine grain labels from medical imaging reports |
CN112382360A (zh) * | 2020-12-03 | 2021-02-19 | 卫宁健康科技集团股份有限公司 | 一种诊断报告自动生成系统、存储介质及电子设备 |
CN112382360B (zh) * | 2020-12-03 | 2024-05-31 | 卫宁健康科技集团股份有限公司 | 一种诊断报告自动生成系统、存储介质及电子设备 |
US11928186B2 (en) | 2021-11-01 | 2024-03-12 | International Business Machines Corporation | Combined deep learning and knowledge driven reasoning for artificial intelligence classification |
Also Published As
Publication number | Publication date |
---|---|
CN111243729B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khobahi et al. | Coronet: A deep network architecture for semi-supervised task-based identification of covid-19 from chest x-ray images | |
Karpathy et al. | Deep visual-semantic alignments for generating image descriptions | |
CN111243729B (zh) | 一种肺部x线胸片检查报告自动生成方法 | |
Nguyen et al. | Automated generation of accurate\& fluent medical x-ray reports | |
CN114582470B (zh) | 一种模型的训练方法、训练装置及医学影像报告标注方法 | |
CN112541066B (zh) | 基于文本结构化的医技报告检测方法及相关设备 | |
CN111275118B (zh) | 基于自我修正式标签生成网络的胸片多标签分类方法 | |
Li et al. | Publication date estimation for printed historical documents using convolutional neural networks | |
Li et al. | Vispi: Automatic visual perception and interpretation of chest x-rays | |
CN113948217A (zh) | 一种基于局部特征整合的医学嵌套命名实体识别方法 | |
CN106227836B (zh) | 基于图像与文字的无监督联合视觉概念学习系统及方法 | |
CN112257441A (zh) | 一种基于反事实生成的命名实体识别增强方法 | |
CN111582506A (zh) | 基于全局和局部标记关系的偏多标记学习方法 | |
CN113657115A (zh) | 一种基于讽刺识别和细粒度特征融合的多模态蒙古文情感分析方法 | |
US20220375576A1 (en) | Apparatus and method for diagnosing a medical condition from a medical image | |
CN116049367A (zh) | 一种基于无监督知识增强的视觉-语言预训练方法及装置 | |
CN113378919B (zh) | 融合视觉常识和增强多层全局特征的图像描述生成方法 | |
Rodin et al. | Multitask and multimodal neural network model for interpretable analysis of x-ray images | |
Gu et al. | Automatic generation of pulmonary radiology reports with semantic tags | |
Wu et al. | AGNet: Automatic generation network for skin imaging reports | |
CN112784601A (zh) | 关键信息提取方法、装置、电子设备和存储介质 | |
CN112085742A (zh) | 一种基于上下文注意力的nafld超声视频诊断方法 | |
Gasimova | Automated enriched medical concept generation for chest X-ray images | |
Adiwardana et al. | Using generative models for semi-supervised learning | |
CN112765353B (zh) | 一种基于科研文本的生物医学学科分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |