AutoRG-Brain: Grounded Report Generation for Brain MRI

放射科医师每天需要解读大量的影像，并负责撰写相应的报告。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，我们开始了一系列关于基于自动化的报告生成（AutoRG）的工作，从脑部MRI解读系统开始，该系统支持脑部结构的描绘、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，在数据集的构建方面，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动编写的报告，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开发。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，我们对脑结构分割、异常定位和报告生成任务进行了定量评估和人工评估，以提供其可靠性和准确性的证据。该系统已经整合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（AutoRG）系统的研发，以解决放射科医生在大量图像解读和报告生成中可能出现的错误，提高工作效率和准确性。

提出了AutoRG-Brain系统，利用像素级的视觉线索生成脑部MRI报告，通过深度学习技术实现对脑结构的分割和异常区域的定位，并与放射科医生的报告进行比较，提高初级医生的报告写作技能。

通过构建包含分割掩模和手动撰写报告的综合数据集RadGenome-Brain MRI，为AI辅助报告生成系统的研究和开发提供数据资源。进行了定量评估和人类评估，证明了系统的可靠性和准确性。并将系统整合到真实临床场景中，提高了初级医生的报告写作技能，提高了整体生产力。

在自动报告生成领域，近期的相关研究包括：1. Automatic Generation of Radiology Reports Using Sequence-to-Sequence Recurrent Neural Networks; 2. Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions; 3. A Survey on Deep Learning in Medical Image Analysis.