Automated Fracture Image Captioning Using Multimodal Vision-Language Models: A Comprehensive Comparative Study on a Clinically Curated Dataset
Cet article présente une évaluation comparative exhaustive de neuf architectures encodeur-décodeur pour le légendage automatisé de radiographies de fractures sur un ensemble de données cliniquement sélectionnées, démontrant que le modèle BLIP-Base pré-entraîné sur vision-langage surpasse les autres combinaisons d'encodeurs visuels et de décodeurs GPT-2 tout en fournissant des informations critiques sur les modes de défaillance et la sélection architecturale pour les tâches d'imagerie médicale à faibles ressources.