論文の概要: Impact of individual rater style on deep learning uncertainty in medical
imaging segmentation
- arxiv url: http://arxiv.org/abs/2105.02197v1
- Date: Wed, 5 May 2021 17:11:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 12:39:30.988763
- Title: Impact of individual rater style on deep learning uncertainty in medical
imaging segmentation
- Title(参考訳): 医療画像セグメンテーションにおける個人レーダスタイルが深層学習の不確実性に及ぼす影響
- Authors: Olivier Vincent, Charley Gros, Julien Cohen-Adad
- Abstract要約: 本研究では,バイアスと一貫性という形でraterスタイルを定量化し,ディープラーニングモデルのトレーニングに使用する場合の影響について検討する。
脳多発性硬化症と脊髄灰白質セグメンテーションからなる2つの多層公共データセットが用いられた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While multiple studies have explored the relation between inter-rater
variability and deep learning model uncertainty in medical segmentation tasks,
little is known about the impact of individual rater style. This study
quantifies rater style in the form of bias and consistency and explores their
impacts when used to train deep learning models. Two multi-rater public
datasets were used, consisting of brain multiple sclerosis lesion and spinal
cord grey matter segmentation. On both datasets, results show a correlation
($R^2 = 0.60$ and $0.93$) between rater bias and deep learning uncertainty. The
impact of label fusion between raters' annotations on this relationship is also
explored, and we show that multi-center consensuses are more effective than
single-center consensuses to reduce uncertainty, since rater style is mostly
center-specific.
- Abstract(参考訳): 複数の研究が医学的セグメンテーションタスクにおけるラター間変動と深層学習モデルの不確実性の関係について検討しているが、個々のレーダスタイルの影響についてはほとんど分かっていない。
本研究では,バイアスと一貫性という形でraterスタイルを定量化し,ディープラーニングモデルのトレーニングに使用する場合の影響について検討する。
脳多発性硬化症と脊髄灰白質セグメンテーションからなる2つの多層公共データセットが用いられた。
どちらのデータセットでも、レーダバイアスとディープラーニングの不確実性との間に相関(R^2 = 0.60$, $0.93$)がある。
この関係に対するレートラーのアノテーション間のラベルの融合の影響についても検討し,マルチセンターのコンセンサスが不確実性を低減するために単一センターのコンセンサスよりも効果的であることを示した。
関連論文リスト
- Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - How inter-rater variability relates to aleatoric and epistemic
uncertainty: a case study with deep learning-based paraspinal muscle
segmentation [1.9624082208594296]
本研究は, 層間変動が学習アルゴリズムの信頼性に与える影響について検討する。
本研究は,ラベル融合戦略とDLモデルの選択による,ラター間の変動性と不確実性の間の相互作用を明らかにする。
論文 参考訳(メタデータ) (2023-08-14T06:40:20Z) - Multi-Scale Cross Contrastive Learning for Semi-Supervised Medical Image
Segmentation [14.536384387956527]
医用画像の構造を分割するマルチスケールクロススーパービジョンコントラスト学習フレームワークを開発した。
提案手法は,頑健な特徴表現を抽出するために,地上構造と横断予測ラベルに基づくマルチスケール特徴と対比する。
Diceでは最先端の半教師あり手法を3.0%以上上回っている。
論文 参考訳(メタデータ) (2023-06-25T16:55:32Z) - 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) - 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) - Learning shared neural manifolds from multi-subject FMRI data [13.093635609349874]
MRMD-AEmaniと呼ばれる,複数の被験者から共通の埋め込みを実験で学習するニューラルネットワークを提案する。
学習した共通空間は、テンポラル多様体(トレーニング中に見えない新しい点をマッピングできる)を表し、目に見えない時間点の刺激特徴の分類を改善する。
このフレームワークは、将来的には脳-コンピュータインタフェース(BCI)トレーニングなど、多くのダウンストリームアプリケーションに応用できると考えています。
論文 参考訳(メタデータ) (2021-12-22T23:08:39Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳(メタデータ) (2021-04-22T13:39:33Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳(メタデータ) (2021-03-07T03:10:32Z) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳(メタデータ) (2020-08-05T08:49:20Z) - 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) - Split Learning for collaborative deep learning in healthcare [12.128894212674917]
ラベル付きデータの不足は、ヘルスケアの深層学習の急増を支えている。
我々は,この分散学習手法を医学分野で初めて適用し,分割学習アプローチを提唱する。
論文 参考訳(メタデータ) (2019-12-27T14:39:58Z)
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。