.png){kind=icon}
返回
Random Direct Preference Optimization for Radiography Report Generation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-07845-2_17.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
放射学报告生成（RRG）在医学图像分析中已引起广泛关注，作为一种有望减轻放射科医生日益繁重工作负荷的潜在工具。然而，尽管已有诸多进展，现有方法尚未达到满足实际临床部署所要求的报告质量。与此同时，大型视觉语言模型（VLMs）通过采用最初为大型语言模型（LLMs）设计的训练策略（如对齐技术），在通用领域已展现出显著进步。在本文中，我们提出了一种模型无关的框架，利用直接偏好优化（DPO）来提升RRG的准确性。我们的方法借助随机对比采样来构建训练对，无需依赖奖励模型或人类偏好标注。在为三种当前最优模型补充我们的随机DPO的实验中表明，我们的方法在无需额外训练数据的情况下，可将临床性能指标提升高达5%。
Keyword:
Radiography
Report Generation
Visual Language Models
Alignment
Direct Preference Optimization
期刊
F
IF:
0
论文数:
16
被引数:
0
机构
引用论文
.png){kind=icon}
Preparing a collection of radiology examinations for distribution and retrieval准备放射学检查的集合以供分发和检索
OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容