@进料{shi-etal-2023粒度,title=“粒度问题:脑{CT}报告生成的病理图形驱动的交叉模式对齐”,author=“石、燕赵和季俊忠和张晓丹和曲、梁琼和刘英”,editor=“Bouamor、Houda和皮诺、胡安和巴厘岛,卡利卡”,booktitle=“2023年自然语言处理实证方法会议记录”,月=12月,年=“2023”,address=“新加坡”,publisher=“计算语言学协会”,url=“https://aclantology.org/2023.emnlp-main.408”,doi=“10.18653/v1/2023.emnlp main.408”,pages=“6617--6630”,抽象=“自动生成脑CT报告可以提高诊断颅骨疾病的效率和准确性。然而,目前的方法受到以下限制:1)粗粒度监督:图像-文本格式的训练数据缺乏识别细微异常的详细监督,以及2)耦合跨模态对齐:视觉-文本对齐ent可能不可避免地以粗粒度的方式耦合,从而导致用于生成报告的复杂特征表示。在这篇文章中,我们提出了一种新的病理图驱动的交叉模式对齐(PGCA)模型,用于准确和稳健的脑部CT报告生成。我们的方法通过构建病理图来学习细粒度的视觉线索并将其与文本单词对齐,从而有效地解耦了跨模式对齐。该图由表示基本病理属性(即组织和病变)的异质节点组成,这些基本病理属性通过属性内和属性间边缘与先验领域知识相连接。通过精心设计的图形嵌入和更新模块,我们的模型细化了细微组织和病变的视觉特征,并使用对比学习将其与文本单词对齐。大量实验结果证实了我们方法的可行性。我们相信,我们的PGCA模型有潜力极大地提高脑部CT报告的自动生成,并最终有助于改进颅骨疾病的诊断。",}
<?xml version=“1.0”encoding=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“shi-etal-2023-粒度”><标题信息>粒度问题:用于脑CT报告生成的病理图驱动的跨模式对齐</titleInfo><name type=“personal”>燕赵史<namePart type=“family”><角色>作者</角色></name><name type=“personal”>军中<namePart type=“given”>吉(Ji)<角色>作者</角色></name><name type=“personal”><namePart type=“given”>小丹<namePart type=“family”>张<角色>作者</角色></name><name type=“personal”>梁琼Qu区<角色>作者</角色></name><name type=“personal”>应刘<角色>作者</角色></name><originInfo>2023-12发布日期</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>2023年自然语言处理实证方法会议记录</titleInfo><name type=“personal”>侯达<namePart type=“family”>Bouamor</namePart><角色>编辑器</角色></name><name type=“personal”>胡安皮诺<角色>编辑器</角色></name><name type=“personal”>卡利卡语巴厘岛<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>新加坡</place></originInfo>会议出版物</relatedItem>脑CT报告的自动生成可以提高颅脑疾病诊断的效率和准确性。然而,当前的方法受到以下限制:1)粗粒度监督:图像-文本格式的训练数据缺乏识别细微异常的详细监督;2)耦合跨模式对齐:视觉-文本对齐可能不可避免地以粗粒度方式耦合,导致报告生成的复杂特征表示。在这篇文章中,我们提出了一种新的病理图驱动的交叉模式对齐(PGCA)模型,用于准确和稳健的脑部CT报告生成。我们的方法通过构建病理图来学习细粒度的视觉线索并将其与文本单词对齐,从而有效地解耦了跨模式对齐。该图由表示基本病理属性(即组织和病变)的异质节点组成,这些基本病理属性通过属性内和属性间边缘与先验领域知识相连接。通过精心设计的图形嵌入和更新模块,我们的模型细化了细微组织和病变的视觉特征,并使用对比学习将其与文本单词对齐。大量实验结果证实了我们方法的可行性。我们相信,我们的PGCA模型有潜力极大地提高脑部CT报告的自动生成,并最终有助于改进颅骨疾病的诊断</摘要><identifier type=“citekey”>shi-etal-2023-粒度10.18653/v1/2023.emnlp-main.408<位置><网址>https://aclantology.org/2023.emnlp-main.408</url></位置><部分>2023-12年<扩展单元=“page”><开始>6617</开始><end>6630</范围></部分></mods></modsCollection>
%0会议记录%T粒度问题:用于脑CT报告生成的病理图驱动的交叉模式对齐%阿什、燕赵%阿吉、俊中%A张,小丹%阿曲、梁琼%A Liu,Ying(刘英)%Y Bouamor,Houda公司%胡安·皮诺%Y巴厘岛,卡利卡%2023年自然语言处理实证方法会议论文集%D 2023年%12月8日%计算语言学协会%C新加坡%F shi-etal-2023粒度%X自动生成脑部CT报告可以提高颅脑疾病诊断的效率和准确性。然而,目前的方法受到1)粗粒度监督的限制:图像-文本格式的训练数据缺乏识别细微异常的详细监督,以及2)耦合跨模态对齐:视觉-文本对齐可能不可避免地以粗粒度的方式耦合,导致用于报告生成的复杂特征表示。在这篇文章中,我们提出了一种新的病理图驱动的交叉模式对齐(PGCA)模型,用于准确和稳健的脑部CT报告生成。我们的方法通过构建病理图来学习细粒度的视觉线索并将其与文本单词对齐,从而有效地解耦了跨模式对齐。该图由表示基本病理属性(即组织和病变)的异质节点组成,这些基本病理属性通过属性内和属性间边缘与先验领域知识相连接。通过精心设计的图形嵌入和更新模块,我们的模型细化了细微组织和病变的视觉特征,并使用对比学习将其与文本单词对齐。大量实验结果证实了我们方法的可行性。我们相信,我们的PGCA模型有潜力极大地提高脑部CT报告的自动生成,并最终有助于改进颅骨疾病的诊断。%10.18653/v1/2023.emnlp-main.408兰特%U型https://aclantology.org/2023.emnlp-main.408%U型https://doi.org/10.18653/v1/2023.emnlp-main.408%电话:6617-6630
降价(非正式)
[粒度问题:用于生成脑CT报告的病理图驱动的跨模式对齐](https://aclantology.org/2023.emnlp-main.408)(Shi等人,EMNLP 2023)
国际计算语言学协会