論文の概要: Do Public Datasets Assure Unbiased Comparisons for Registration Evaluation?

• arxiv url: http://arxiv.org/abs/2003.09483v1
• Date: Fri, 20 Mar 2020 20:04:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 22:52:38.847448
• Title: Do Public Datasets Assure Unbiased Comparisons for Registration Evaluation?
• Title（参考訳）: 公開データセットは、登録評価のための曖昧な比較を保証するか?
• Authors: Jie Luo, Guangshen Ma, Sarah Frisken, Parikshit Juvekar, Nazim Haouchine, Zhe Xu, Yiming Xiao, Alexandra Golby, Patrick Codd, Masashi Sugiyama, and William Wells III
• Abstract要約: 画像誘導神経外科医の登録をベンチマークするために、2つのデータセットで手動で注釈付けされたランドマークをスクリーニングするために、ヴァリグラムを使用します。 Variograms を用いて, 潜在的に有意な症例を同定し, 経験者により検討した。
• 参考スコア（独自算出の注目度）: 96.53940048041248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the increasing availability of new image registration approaches, an unbiased evaluation is becoming more needed so that clinicians can choose the most suitable approaches for their applications. Current evaluations typically use landmarks in manually annotated datasets. As a result, the quality of annotations is crucial for unbiased comparisons. Even though most data providers claim to have quality control over their datasets, an objective third-party screening can be reassuring for intended users. In this study, we use the variogram to screen the manually annotated landmarks in two datasets used to benchmark registration in image-guided neurosurgeries. The variogram provides an intuitive 2D representation of the spatial characteristics of annotated landmarks. Using variograms, we identified potentially problematic cases and had them examined by experienced radiologists. We found that (1) a small number of annotations may have fiducial localization errors; (2) the landmark distribution for some cases is not ideal to offer fair comparisons. If unresolved, both findings could incur bias in registration evaluation.
• Abstract（参考訳）: 新しい画像登録アプローチの可用性が高まるにつれて、臨床医がアプリケーションに適したアプローチを選択するために、偏りのない評価がますます必要になっている。 現在の評価では、通常は手動の注釈付きデータセットでランドマークを使用する。 その結果、アノテーションの品質はバイアスのない比較には不可欠である。 ほとんどのデータプロバイダはデータセットの品質管理を主張しているが、目的とするサードパーティのスクリーニングは、意図したユーザを安心させる可能性がある。 本研究では,画像ガイド下神経外科における登録のベンチマークに用いた2つのデータセットに,手作業で注釈付きランドマークを表示させた。 ヴァリグラムは、注釈付きランドマークの空間特性の直感的な2次元表現を提供する。 Variograms を用いて, 潜在的な疾患を同定し, 経験者により検討した。 その結果,(1) 少数のアノテーションが誤用している可能性があり,(2) いくつかのケースではランドマーク分布は公平な比較を行うのに理想的ではないことがわかった。 未解決の場合、どちらの発見も登録評価のバイアスを負う可能性がある。

関連論文リスト

• Mitigating Label Noise on Graph via Topological Sample Selection [72.86862597508077]
  トポロジ情報を活用することで,グラフ内の情報的サンプル選択プロセスを促進できる$textitTopological Sample Selection$ (TSS)法を提案する。 提案手法は,対象のクリーン分布下での予測されるリスク上限の上限を最小化し,最先端のベースラインと比較して,提案手法の優位性を実験的に示す。
  論文  参考訳（メタデータ） (2024-03-04T11:24:51Z)
• One-Shot Medical Landmark Localization by Edge-Guided Transform and Noisy Landmark Refinement [59.14062241534754]
  医用ランドマークのワンショット化のための2段階のフレームワークを提案する。 ステージIでは,新たな損失関数の指導の下で,グローバルアライメントと局所変形のエンドツーエンドのカスケードを学習する。 ステージIIでは,信頼性の高い擬似ラベルを選択するための自己整合性や,半教師付き学習のための相互整合性について検討する。
  論文  参考訳（メタデータ） (2022-07-31T15:42:28Z)
• Comparison of Evaluation Metrics for Landmark Detection in CMR Images [0.8219153654616499]
  右室挿入点のラベルを付加したパブリックACDCデータセットを拡張した。 ヒートマップに基づくランドマーク検出パイプラインのさまざまなバリエーションを比較した。 予備的な結果は、異なるメトリクスの組み合わせが必要であることを示している。
  論文  参考訳（メタデータ） (2022-01-25T15:58:30Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Uncertainty-Aware Annotation Protocol to Evaluate Deformable Registration Algorithms [3.2845753359072125]
  変形性登録における金規格構築のための原則的な戦略を紹介します。 i) 従来のアノテーションとの冗長性を考慮して、次に注釈をつけるための最も有益な場所を反復的に提案する; (ii) それぞれのアノテーションの空間的不確実性を考慮して、従来のポイントワイズアノテーションを拡張する; (iii) 自然に変形可能な登録アルゴリズムを評価するための新しい戦略を提供する。
  論文  参考訳（メタデータ） (2021-04-02T19:31:19Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• Assessing the (Un)Trustworthiness of Saliency Maps for Localizing Abnormalities in Medical Imaging [7.359736138662335]
  サイレンシマップは、ディープラーニングモデルをより解釈可能なものにするために広く使われている方法となっている。 医療画像の分野では、臨床的に妥当な説明を提供するために使われることが増えている。 8つのサリエンシマップ技術が少なくとも1つの基準の1つを失敗し、ほとんどの場合、ベースラインと比較して信頼性が低いことを示す。
  論文  参考訳（メタデータ） (2020-08-06T17:11:19Z)
• Disentangling Human Error from the Ground Truth in Segmentation of Medical Images [12.009437407687987]
  本稿では,純粋にノイズの多い観測のみから,個々のアノテータの信頼性,真のセグメンテーションラベル分布まで,共同学習手法を提案する。 本手法は,必要ならばシミュレートした3つの医用画像セグメンテーションデータセットと実際の多彩なアノテーションに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-07-31T11:03:12Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Semi-supervised lung nodule retrieval [2.055949720959582]
  コンテンツベース画像検索(CBIR)システムは、クエリ画像と類似度でランク付けされた一連の画像を出力する。 データセット要素間の類似性(例えばnodules間の類似性)に関する基礎的な真実は、容易には利用できない。 本研究は,(1)部分ラベル付きデータセットの自動アノテーション,(2)述語アノテーションに基づく意味的類似度距離空間の学習,という2つのステップを含む半教師付きアプローチを提案する。 LIDCデータセットを用いて肺結節検索を行い,予測された評価値から埋め込みを学習することが可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-04T19:26:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。