論文の概要: How Many Annotators Do We Need? -- A Study on the Influence of
Inter-Observer Variability on the Reliability of Automatic Mitotic Figure
Assessment
- arxiv url: http://arxiv.org/abs/2012.02495v2
- Date: Fri, 8 Jan 2021 12:03:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 20:42:33.232287
- Title: How Many Annotators Do We Need? -- A Study on the Influence of
Inter-Observer Variability on the Reliability of Automatic Mitotic Figure
Assessment
- Title(参考訳): アノテーションはいくつ必要か?
--observer間変動が自動僧帽弁別図評価の信頼性に及ぼす影響に関する研究
- Authors: Frauke Wilm, Christof A. Bertram, Christian Marzahl, Alexander Bartel,
Taryn A. Donovan, Charles-Antoine Assenmacher, Kathrin Becker, Mark Bennett,
Sarah Corner, Brieuc Cossic, Daniela Denk, Martina Dettwiler, Beatriz Garcia
Gonzalez, Corinne Gurtner, Annika Lehmbecker, Sophie Merz, Stephanie Plog,
Anja Schmidt, Rebecca C. Smedley, Marco Tecilla, Tuddow Thaiwong, Katharina
Breininger, Matti Kiupel, Andreas Maier, Robert Klopfleisch, Marc Aubreville
- Abstract要約: 病理組織学的にみられた有糸分裂像の密度は,多くの腫瘍の予後に重要な特徴である。
ディープラーニングベースのアルゴリズムは、腫瘍の予後を改善するための有望なソリューションである。
アルゴリズム性能に対するマルチエキスパートコンセンサスの利点を評価した。
- 参考スコア(独自算出の注目度): 39.203884417441635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Density of mitotic figures in histologic sections is a prognostically
relevant characteristic for many tumours. Due to high inter-pathologist
variability, deep learning-based algorithms are a promising solution to improve
tumour prognostication. Pathologists are the gold standard for database
development, however, labelling errors may hamper development of accurate
algorithms. In the present work we evaluated the benefit of multi-expert
consensus (n = 3, 5, 7, 9, 11) on algorithmic performance. While training with
individual databases resulted in highly variable F$_1$ scores, performance was
notably increased and more consistent when using the consensus of three
annotators. Adding more annotators only resulted in minor improvements. We
conclude that databases by few pathologists and high label accuracy may be the
best compromise between high algorithmic performance and time investment.
- Abstract(参考訳): 組織学的断面における分裂像の密度は、多くの腫瘍において確率的に関連した特徴である。
病理組織間多様性が高いため、深層学習に基づくアルゴリズムは腫瘍の予後を改善する有望な解決策である。
病理学者はデータベース開発における金の標準であるが、ラベルの誤りは正確なアルゴリズムの開発を阻害する可能性がある。
本研究では,アルゴリズム性能に対するマルチエキスパートコンセンサス(n = 3, 5, 7, 9, 11)の利点を評価した。
個々のデータベースでのトレーニングでは、高い可変F$_1$スコアが得られたが、3つのアノテータのコンセンサスを使用すると、パフォーマンスが顕著に向上し、一貫性が増した。
アノテータの追加は、わずかな改善しか生み出さなかった。
病理学者の少ないデータベースとラベル精度の高いデータベースは,高いアルゴリズム性能と時間的投資の妥協点として最善のものであると結論づけた。
関連論文リスト
- Unraveling the "Anomaly" in Time Series Anomaly Detection: A
Self-supervised Tri-domain Solution [89.16750999704969]
異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。
自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。
自己教師型3領域異常検出器(TriAD)を提案する。
論文 参考訳(メタデータ) (2023-11-19T05:37:18Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Can Domain Adaptation Improve Accuracy and Fairness of Skin Lesion
Classification? [55.49029146917322]
各種非教師付き領域適応法(UDA)の2値・多値皮膚病変分類における適用可能性について検討した。
実験の結果,UDAは二分分類に有効であり,不均衡が緩和された場合にはさらなる改善が見られた。
本研究は,少数派に対する偏見を効果的に低減し,公平性を重視したテクニックを明示的に用いなくても公平性を促進できることを示した。
論文 参考訳(メタデータ) (2023-07-06T17:32:38Z) - Generative models improve fairness of medical classifiers under
distribution shifts [49.10233060774818]
データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。
これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
論文 参考訳(メタデータ) (2023-04-18T18:15:38Z) - Improving Object Detection in Medical Image Analysis through Multiple
Expert Annotators: An Empirical Investigation [0.3670422696827525]
本研究は, 医用画像解析における異常検出における機械学習アルゴリズムの利用について論じる。
さまざまなレベルの専門知識を持つ複数のアノテーションからアノテーションを集約する,シンプルで効果的なアプローチを導入する。
次に、複数のアノテーションから隠れラベルを推定し、再重み付き損失関数を用いて検出性能を向上させることにより、異常検出タスクにおける予測モデルの効率を向上させることを目的とする。
論文 参考訳(メタデータ) (2023-03-29T07:34:20Z) - Variability Matters : Evaluating inter-rater variability in
histopathology for robust cell detection [3.2873782624127843]
本研究は,120名の病理組織学者を対象に,細胞抗原の多様性について大規模に検討した。
また, 格子間変動を犠牲にしてデータサイズを増大させることが, 細胞検出における優れた性能モデルに繋がるとは限らないことを示した。
これらの結果から,アノテータの評価は病理組織学領域の基本的予算問題に対処するのに役立つ可能性が示唆された。
論文 参考訳(メタデータ) (2022-10-11T06:24:55Z) - Three Applications of Conformal Prediction for Rating Breast Density in
Mammography [5.634287524779709]
乳房密度を評価することは臨床的に重要であるが、乳房密度が高く、腫瘍を閉塞する可能性が高い。
マンモグラフィー乳房密度評価のための深層学習手法の開発への関心が高まっている。
マンモグラフィーに応用するいくつかの予測タスクにおいて、ディープラーニングは印象的な性能を示したが、ディープラーニングシステムの臨床展開は、まだ比較的稀である。
論文 参考訳(メタデータ) (2022-06-23T23:03:24Z) - Residual-Concatenate Neural Network with Deep Regularization Layers for
Binary Classification [3.1871776847712523]
我々は,多嚢胞性卵巣症候群の予後診断に最も適した,多くの正規化層と結合プロセスを用いたディープニューラルネットワークを訓練する。
このネットワークは、データのニーズを満たすためのあらゆるステップから改善され、99.3%の精度をシームレスに達成した。
論文 参考訳(メタデータ) (2022-05-25T13:42:35Z) - Learning from Multiple Expert Annotators for Enhancing Anomaly Detection
in Medical Image Analysis [0.31317409221921133]
医用画像解析において、複数の専門家アノテータは「地上の真実ラベル」に関する主観的な推定をしばしば生成する。
深層学習に基づく検知器の訓練のために,複数の放射線学の専門家によるアノテーションを組み合わせた簡易かつ効果的な手法を提案する。
論文 参考訳(メタデータ) (2022-03-20T17:57:26Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z)
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。