論文の概要: Efficient Model Monitoring for Quality Control in Cardiac Image
Segmentation
- arxiv url: http://arxiv.org/abs/2104.05533v1
- Date: Mon, 12 Apr 2021 14:58:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 13:54:16.350196
- Title: Efficient Model Monitoring for Quality Control in Cardiac Image
Segmentation
- Title(参考訳): 心臓画像分割における品質制御のための効率的なモデルモニタリング
- Authors: Francesco Galati and Maria A. Zuluaga
- Abstract要約: 基礎的真理がない状態での心臓セグメンテーションモデルのパフォーマンスを監視するための新しい学習フレームワークを提示する。
本稿では,グローバルスコアと画素ワイズマップという2種類の品質指標を提案する。
その結果,我々のフレームワークは正確,高速,スケーラブルであり,臨床と大規模集団研究における品質管理モニタリングに有効な選択肢であることを確認した。
- 参考スコア(独自算出の注目度): 3.2212186424911073
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning methods have reached state-of-the-art performance in cardiac
image segmentation. Currently, the main bottleneck towards their effective
translation into clinics requires assuring continuous high model performance
and segmentation results. In this work, we present a novel learning framework
to monitor the performance of heart segmentation models in the absence of
ground truth. Formulated as an anomaly detection problem, the monitoring
framework allows deriving surrogate quality measures for a segmentation and
allows flagging suspicious results. We propose two different types of quality
measures, a global score and a pixel-wise map. We demonstrate their use by
reproducing the final rankings of a cardiac segmentation challenge in the
absence of ground truth. Results show that our framework is accurate, fast, and
scalable, confirming it is a viable option for quality control monitoring in
clinical practice and large population studies.
- Abstract(参考訳): 深層学習法は、心臓画像分割における最先端のパフォーマンスに到達した。
現在、診療所への効果的な翻訳の主なボトルネックは、継続的なハイモデルパフォーマンスとセグメンテーション結果の確保である。
そこで本研究では,基礎的真理を欠いた心臓セグメンテーションモデルの性能をモニタリングする新しい学習フレームワークを提案する。
異常検出問題として定式化され、監視フレームワークはセグメント化のための代理品質測定を導出し、疑わしい結果にフラグを付けることができる。
本稿では,グローバルスコアと画素ワイズマップという2種類の品質指標を提案する。
基礎的真理の欠如により, 心的分節課題の最終順位を再現することで, それらの使用を実証する。
その結果,我々のフレームワークは正確,高速,スケーラブルであり,臨床と大規模集団研究における品質管理モニタリングに有効な選択肢であることを確認した。
関連論文リスト
- ScribbleVC: Scribble-supervised Medical Image Segmentation with
Vision-Class Embedding [5.425414924685109]
ScribbleVCは、スクリブル管理された医療画像セグメンテーションのための新しいフレームワークである。
提案手法は,スクリブルベースアプローチとセグメンテーションネットワークとクラス埋め込みモジュールを組み合わせることで,正確なセグメンテーションマスクを生成する。
ScribbleVCを3つのベンチマークデータセットで評価し、最先端の手法と比較する。
論文 参考訳(メタデータ) (2023-07-30T13:38:52Z) - Cross-supervised Dual Classifiers for Semi-supervised Medical Image
Segmentation [10.18427897663732]
半教師付き医用画像分割は、大規模医用画像解析に有望な解決策を提供する。
本稿では、二重分類器(DC-Net)に基づくクロス教師あり学習フレームワークを提案する。
LAとPancreas-CTデータセットの実験は、DC-Netが半教師付きセグメンテーションの他の最先端手法よりも優れていることを示している。
論文 参考訳(メタデータ) (2023-05-25T16:23:39Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。
これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。
形状と境界認識機能を利用する新しいモデルを提案する。
論文 参考訳(メタデータ) (2021-05-27T13:54:59Z) - 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) - Towards Unbiased COVID-19 Lesion Localisation and Segmentation via
Weakly Supervised Learning [66.36706284671291]
本研究では,画像レベルラベルのみに監視されたデータ駆動型フレームワークを提案する。
このフレームワークは、生成する対向ネットワークと病変特異的デコーダの助けを借りて、原画像から潜在的な病変を明示的に分離することができる。
論文 参考訳(メタデータ) (2021-03-01T06:05:49Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳(メタデータ) (2020-11-28T16:31:00Z) - Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray
Images [0.0]
医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。
本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
論文 参考訳(メタデータ) (2020-07-01T20:48:35Z) - Deep Generative Model-based Quality Control for Cardiac MRI Segmentation [30.09405692032434]
本稿では, 心臓MRI領域の品質管理のための, 深部生成モデルに基づく新しいフレームワークを提案する。
提案手法は,2つの公用心MRIデータセットに対して高い予測精度を実現する。
論文 参考訳(メタデータ) (2020-06-23T23:15:54Z)
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。