UIT-DarkCow team at ImageCLEFmedical Caption 2024: Diagnostic Captioning for Radiology Images Efficiency with Transformer Models

本研究旨在开发自动文本生成技术，即诊断字幕生成，以帮助医疗专业人员减少临床错误并提高工作效率。目的是提供增强报告质量和效率的工具，这可以在生物医学领域的临床实践和深度学习研究中产生重大影响。在参加ImageCLEFmedical2024字幕评估活动中，我们探索了使用先进的基于Transformer的模型进行字幕预测任务的方法。我们开发了一些方法，包括Transformer编码器-解码器和查询Transformer体系结构。这些模型经过训练和评估，可以从放射学图像中生成诊断字幕。实验评估表明，我们的模型非常有效，其中VisionDiagnostor-BioBART模型的BERTScore最高达到0.6267。这种性能使我们的团队DarkCow在排行榜上获得第三名。总之，我们的诊断字幕生成模型表现出极大的潜力，可以通过高效地生成高质量的报告来帮助医疗专业人员，从而促进医学影像部门的数据处理和性能优化，最终有益于医疗保健服务的提供。

本论文的目的是开发自动化文本生成算法，从放射学图像中生成诊断性标题，以帮助医疗专业人员减少临床错误并提高效率。

本论文提出了一种基于Transformer编码器-解码器和查询Transformer架构的方法，用于生成放射学图像的诊断性标题。

实验结果表明，本论文提出的模型非常有效，其中VisionDiagnostor-BioBART模型的BERTScore最高达0.6267。值得关注的是，本文参加了ImageCLEFmedical2024 Caption evaluation campaign，并在排行榜上获得了第三名的好成绩。

最近的相关研究包括：1. "A Survey of Medical Image Captioning: Techniques and Applications"；2. "Automated Radiology Report Generation Using Deep Learning"；3. "Automated Radiology Report Generation Using a Hybrid Natural Language Processing Approach"。