AutoRG-Brain: Grounded Report Generation for Brain MRI

放射科医师每天需要解释大量的影像，并生成相应的报告。这种高强度的工作负荷增加了人为错误的风险，可能导致治疗延误、医疗成本增加、收入损失和运营效率低下。为了解决这些挑战，我们开展了一系列基于自动报告生成（AutoRG）的工作，从脑部MRI解释系统开始，该系统支持大脑结构的勾画、异常的定位和生成组织良好的发现。我们从以下几个方面做出了贡献：首先，在数据集构建方面，我们发布了一个全面的数据集，包括异常区域的分割掩模和手工撰写的报告，称为RadGenome-Brain MRI。这个数据资源旨在促进AI辅助报告生成系统领域的持续研究和发展。其次，在系统设计方面，我们提出了AutoRG-Brain，这是第一个具有像素级基础视觉线索的脑部MRI报告生成系统。第三，在评估方面，我们对脑部结构分割、异常定位和报告生成任务进行了定量评估和人类评估，以提供其可靠性和准确性的证据。该系统已经集成到真实的临床场景中，放射科医师被指示根据我们生成的发现和异常分割掩模撰写报告。结果表明，我们的系统提高了初级医生的报告撰写技能，使他们的表现更接近于高级医生，从而提高了整体生产力。

自动报告生成系统在医学影像领域的应用。

提出了一种基于像素级视觉线索的自动报告生成系统，通过对脑部MRI图像进行结构分割和异常区域定位，生成高质量的报告，提高了初级医生的报告撰写能力。

1. 发布了一个名为RadGenome-Brain MRI的数据集，包含异常区域的分割掩模和手工编写的报告。2. 提出了AutoRG-Brain，是第一个基于像素级视觉线索的脑部MRI报告生成系统。3. 进行了定量评估和人工评估，证明了系统的可靠性和准确性。4. 在真实临床场景中应用，提高了初级医生的报告撰写能力。

近期的相关研究包括：1. “Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions” 2. “Automated Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks” 3. “A Survey on Deep Learning in Medical Image Analysis”