論文の概要: Crowdsourcing Airway Annotations in Chest Computed Tomography Images

• arxiv url: http://arxiv.org/abs/2011.10433v1
• Date: Fri, 20 Nov 2020 14:54:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 06:25:19.464110
• Title: Crowdsourcing Airway Annotations in Chest Computed Tomography Images
• Title（参考訳）: 胸部ct画像における気道注釈のクラウドソーシング
• Authors: Veronika Cheplygina and Adria Perez-Rovira and Wieying Kuo and Harm A. W. M. Tiddens and Marleen de Bruijne
• Abstract要約: 胸部CT検査における気道計測は嚢胞性線維症などの疾患の鑑別に重要である。 機械学習アルゴリズムは代替手段を提供するが、優れたパフォーマンスを得るためには大量の注釈付きスキャンを必要とする。 我々は,24人の被験者に既知の気道の場所を画像スライスし,観衆に気道の壁の概略を依頼する。
• 参考スコア（独自算出の注目度）: 3.862190309412109
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Measuring airways in chest computed tomography (CT) scans is important for characterizing diseases such as cystic fibrosis, yet very time-consuming to perform manually. Machine learning algorithms offer an alternative, but need large sets of annotated scans for good performance. We investigate whether crowdsourcing can be used to gather airway annotations. We generate image slices at known locations of airways in 24 subjects and request the crowd workers to outline the airway lumen and airway wall. After combining multiple crowd workers, we compare the measurements to those made by the experts in the original scans. Similar to our preliminary study, a large portion of the annotations were excluded, possibly due to workers misunderstanding the instructions. After excluding such annotations, moderate to strong correlations with the expert can be observed, although these correlations are slightly lower than inter-expert correlations. Furthermore, the results across subjects in this study are quite variable. Although the crowd has potential in annotating airways, further development is needed for it to be robust enough for gathering annotations in practice. For reproducibility, data and code are available online: \url{http://github.com/adriapr/crowdairway.git}.
• Abstract（参考訳）: 胸部CT検査における気道計測は嚢胞性線維症などの疾患を特徴づけるのに重要であるが,手動で行うのには非常に時間がかかる。 機械学習アルゴリズムは代替手段を提供するが、優れたパフォーマンスを得るためには大量の注釈付きスキャンを必要とする。 本研究では,エアウェイアノテーションの収集にクラウドソーシングが利用できるか検討する。 航空路の既知地点を24の被験者で画像スライスし,気道路面と気道壁の概略を観客に依頼する。 複数の群集作業員を組み合わせることで、元のスキャンで専門家が行った測定値と比較する。 予備研究と同様に、アノテーションの大部分は、おそらく労働者が指示を誤解しているため除外された。 このようなアノテーションを除くと、専門家との適度な相関関係が観察できるが、これらの相関関係は専門家間の相関関係よりもわずかに低い。 さらに,本研究の被験者間での結果は,かなり多様である。 観客は気道アノテートする可能性があるが、実際にアノテーションを収集するのに十分なロバスト性を持つためにさらなる開発が必要である。 再現性のために、データとコードはオンラインで利用可能である。

関連論文リスト

• Guidelines for Cerebrovascular Segmentation: Managing Imperfect Annotations in the context of Semi-Supervised Learning [3.231698506153459]
  教師付き学習法は、十分な量のラベル付きデータを入力した場合に優れた性能を達成する。 このようなラベルは一般的に、非常に時間がかかり、エラーが発生し、製造コストがかかる。 半教師付き学習アプローチはラベル付きデータとラベルなしデータの両方を活用する。
  論文  参考訳（メタデータ） (2024-04-02T09:31:06Z)
• SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
  我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。 我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
  論文  参考訳（メタデータ） (2024-03-25T10:30:22Z)
• Augmenting Chest X-ray Datasets with Non-Expert Annotations [1.9991771189143435]
  一般的で費用対効果の高いアプローチは、フリーテキスト医療レポートから自動アノテーション抽出である。 非専門的アノテーションを組み込むことで,2つの公開胸部X線データセットを強化する。 専門家ラベルによく一般化する非専門アノテーションで胸部ドレイン検出器を訓練する。
  論文  参考訳（メタデータ） (2023-09-05T13:52:43Z)
• Annotator Consensus Prediction for Medical Image Segmentation with Diffusion Models [70.3497683558609]
  医療画像のセグメンテーションにおける大きな課題は、複数の専門家が提供したアノテーションにおける、サーバ間の大きなばらつきである。 拡散モデルを用いたマルチエキスパート予測のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-15T10:01:05Z)
• Detecting Shortcuts in Medical Images -- A Case Study in Chest X-rays [0.22940141855172028]
  2つの公開データセットを用いた胸部X線症例について検討した。 気胸画像のサブセットに対するアノテーションをドレインで共有する。
  論文  参考訳（メタデータ） (2022-11-08T14:36:33Z)
• On the Representation Collapse of Sparse Mixture of Experts [102.83396489230375]
  専門家のまばらな混合は、一定の計算オーバーヘッドを必要としながら、より大きなモデルキャパシティを提供する。 入力トークンを隠された表現に従ってベストマッチした専門家に分散するためにルーティング機構を使用する。 しかし、そのようなルーティングメカニズムを学ぶことで、専門家のセントロイドを中心にトークンのクラスタリングが促進され、表現の崩壊の傾向が示唆される。
  論文  参考訳（メタデータ） (2022-04-20T01:40:19Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• Leveraging Self-Supervision for Cross-Domain Crowd Counting [71.75102529797549]
  混雑したシーンで人をカウントするための最先端の方法は、群衆密度を推定するために深いネットワークに依存します。 われわれのネットワークは、通常の画像から逆さまの実際の画像を認識できるように訓練し、その不確実性を予測する能力を組み込む。 このアルゴリズムは、推論時に余分な計算をせずに、最先端のクロスドメイン群をカウントするアルゴリズムを一貫して上回る。
  論文  参考訳（メタデータ） (2021-03-30T12:37:55Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)
• 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。