論文の概要: Are we using appropriate segmentation metrics? Identifying correlates of
human expert perception for CNN training beyond rolling the DICE coefficient
- arxiv url: http://arxiv.org/abs/2103.06205v4
- Date: Tue, 2 May 2023 13:42:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 18:31:56.120367
- Title: Are we using appropriate segmentation metrics? Identifying correlates of
human expert perception for CNN training beyond rolling the DICE coefficient
- Title（参考訳）: 適切なセグメンテーションメトリクスを使っているか?
DICE係数を超えたCNN訓練における人間の専門家知覚の相関
- Authors: Florian Kofler, Ivan Ezhov, Fabian Isensee, Fabian Balsiger, Christoph
Berger, Maximilian Koerner, Beatrice Demiray, Julia Rackerseder, Johannes
Paetzold, Hongwei Li, Suprosanna Shit, Richard McKinley, Marie Piraud,
Spyridon Bakas, Claus Zimmer, Nassir Navab, Jan Kirschke, Benedikt Wiestler,
Bjoern Menze
- Abstract要約: 2つの複雑なバイオメディカルセマンティックセグメンテーション問題に対する心理物理学的な実験を行った。
現在の標準メトリクスと損失関数は、専門家のセグメンテーション品質評価と適度に相関することを発見した。
畳み込みニューラルネットワーク(CNN)トレーニングにおいて、人間の専門家の知覚のような抽象的なメトリクスをどのように最適化するかは、しばしば不明である。
- 参考スコア（独自算出の注目度）: 30.31460995779947
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Metrics optimized in complex machine learning tasks are often selected in an
ad-hoc manner. It is unknown how they align with human expert perception. We
explore the correlations between established quantitative segmentation quality
metrics and qualitative evaluations by professionally trained human raters.
Therefore, we conduct psychophysical experiments for two complex biomedical
semantic segmentation problems. We discover that current standard metrics and
loss functions correlate only moderately with the segmentation quality
assessment of experts. Importantly, this effect is particularly pronounced for
clinically relevant structures, such as the enhancing tumor compartment of
glioma in brain magnetic resonance and grey matter in ultrasound imaging. It is
often unclear how to optimize abstract metrics, such as human expert
perception, in convolutional neural network (CNN) training. To cope with this
challenge, we propose a novel strategy employing techniques of classical
statistics to create complementary compound loss functions to better
approximate human expert perception. Across all rating experiments, human
experts consistently scored computer-generated segmentations better than the
human-curated reference labels. Our results, therefore, strongly question many
current practices in medical image segmentation and provide meaningful cues for
future research.
- Abstract（参考訳）: 複雑な機械学習タスクに最適化されたメトリクスは、しばしばアドホックな方法で選択される。
人間の専門家の認識とどのように一致しているかは不明である。
本研究は, 定性的セグメンテーションの品質指標と, 専門訓練を受けたヒトレイパーによる質的評価の相関について検討する。
そこで,2つの複雑なバイオメディカルセマンティックセグメンテーション問題に対する心理物理実験を行った。
現在の標準メトリクスと損失関数は、専門家のセグメンテーション品質評価と適度に相関することを発見した。
特に、この効果は、脳磁気共鳴におけるグリオーマの腫瘍区画の増強や、超音波画像における灰白質などの臨床的に重要な構造に対して顕著である。
畳み込みニューラルネットワーク(CNN)トレーニングにおいて、人間の専門家の知覚のような抽象的なメトリクスをどのように最適化するかは、しばしば不明である。
この課題に対処するために, 古典統計学の手法を駆使して, 補完的複合損失関数を作成し, 人間のエキスパート知覚をよりよく近似する新しい戦略を提案する。
すべての評価実験において、人間の専門家は、コンピュータ生成のセグメンテーションを人為的な基準ラベルよりもよく評価した。
以上の結果から,医用画像のセグメンテーションにおける多くの実践に強く疑問を呈し,今後の研究に有意義な手がかりを提供する。
関連論文リスト
- Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Discrimination of Radiologists Utilizing Eye-Tracking Technology and
Machine Learning: A Case Study [0.9142067094647588]
本研究では,効率的な幾何アライメントのためのバイナリ固定データに基づく新しい離散化特徴符号化を提案する。
眼球固定データの符号化された特徴は、教員と研修生の放射線技師を識別するために機械学習分類器によって使用される。
論文 参考訳（メタデータ） (2023-08-04T23:51:47Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Problem-Dependent Power of Quantum Neural Networks on Multi-Class
Classification [83.20479832949069]
量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。
本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。
我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
論文 参考訳（メタデータ） (2022-12-29T10:46:40Z) - Pain level and pain-related behaviour classification using GRU-based
sparsely-connected RNNs [61.080598804629375]
慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。
この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。
我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。
本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
論文 参考訳（メタデータ） (2022-12-20T12:56:28Z) - Interaction of a priori Anatomic Knowledge with Self-Supervised
Contrastive Learning in Cardiac Magnetic Resonance Imaging [0.7387261884863349]
自己教師付きコントラスト学習は、いくつかの医療画像タスクのパフォーマンスを高めることが示されている。
本研究では,解剖学の事前知識をSSCL訓練パラダイムに組み込むための最適手法を評価する。
解剖学の事前知識を用いることで,下流診断性能を大幅に向上できることがわかった。
論文 参考訳（メタデータ） (2022-05-25T01:33:37Z) - Deep Learning Based Cardiac MRI Segmentation: Do We Need Experts? [12.36854197042851]
非専門的な基盤データに基づいてトレーニングされたセグメンテーションニューラルネットワークは、すべての実用目的に対して、専門家の基盤データと同様に優れたものであることを示す。
我々は、心臓データセットのアノテーションを効率的かつ安価に作成する機会を強調した。
論文 参考訳（メタデータ） (2021-07-23T20:10:58Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - Spinal Metastases Segmentation in MR Imaging using Deep Convolutional
Neural Networks [0.0]
本研究の目的は,深層学習を用いた診断MR画像における脊髄転移の分節化である。
U-Net様アーキテクチャを用いて40例の臨床検査を行った。
専門的な注釈付き病変のセグメンテーションと比較すると、Diceの平均スコアは77.6%、平均感度は78.9%という有望な結果を得た。
論文 参考訳（メタデータ） (2020-01-08T10:59:31Z)
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。