快讯｜海事 DMU ITREC 工作被 IPM 录用
https://github.com/Eleanorhxd/LDCR
END
往期推荐
喜欢此内容的人还喜欢
阅读到这，期待您的点赞、分享，“在看”
博士生侯晓迪关于放射学报告生成的研究成果被信息管理领域顶刊 IPM 录用再创佳绩 近日，实验室博士生侯晓迪在放射学报告生成领域取得的研究成果" Latent diffusion-augmented cross-modal representation learning for radiology report generation "被信息管理领域顶级期刊《Information Processing & Management》（IPM）录用。该期刊为中科院一区期刊，同时被CCF列为B类推荐期刊。 题目：Latent diffusion-augmented cross-modal representation learning for radiology report generation 作者：Xiaodi Hou, Xiaobo Li, Simiao Wang, Mingyu Lu, Hongfei Lin, Yijia Zhang 摘要：放射学报告生成旨在从医学图像中生成全面的文本描述，以提升诊断效率并减轻放射科医生的工作负担。然而，该任务通常面临对细微病灶语义表达能力不足以及视觉与文本模态之间固有异质性的问题。为解决这些挑战，我们提出了一种潜在扩散增强的跨模态表示学习框架（LDCR），用于增强病理表征并促进细粒度跨模态对齐。具体而言，LDCR 引入了潜在扩散增强模块（LDEM），通过扩散机制在潜在空间中模拟逐步退化与语义重建过程，从而提升模型对细微病理病灶的敏感性。在此基础上，我们进一步设计了异构信息融合模块（HIFM），通过在共享语义空间中对齐视觉与文本特征，以有效弥合模态差异。在两个公开基准数据集 IU X-Ray 和 MIMIC-CXR 上的实验结果表明，LDCR 在多项评估指标上均优于现有SOTA方法。在 IU X-Ray 数据集上，BLEU-4、METEOR 和 ROUGE-L分别提升了 1.5%、0.8% 和 3.5%；在 MIMIC-CXR 数据集上，分别为 3.7%、1.9% 和 1.7%。 代码已开源：
