論文の概要: How can we learn (more) from challenges? A statistical approach to
driving future algorithm development
- arxiv url: http://arxiv.org/abs/2106.09302v1
- Date: Thu, 17 Jun 2021 08:12:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-18 15:52:23.179353
- Title: How can we learn (more) from challenges? A statistical approach to
driving future algorithm development
- Title（参考訳）: 課題からどうやって(さらに)学ぶのか?
将来的なアルゴリズム開発への統計的アプローチ
- Authors: Tobias Ro{\ss}, Pierangela Bruno, Annika Reinke, Manuel Wiesenfarth,
Lisa Koeppel, Peter M. Full, B\"unyamin Pekdemir, Patrick Godau, Darya
Trofimova, Fabian Isensee, Sara Moccia, Francesco Calimeri, Beat P.
M\"uller-Stich, Annette Kopp-Schneider, Lena Maier-Hein
- Abstract要約: 本稿では,課題から学習し,腹腔鏡ビデオにおけるインスタンスセグメンテーションの具体的タスクをインスタンス化する統計フレームワークを提案する。
2,728枚の画像から51,542個のメタデータを抽出し,ロバスト・メディカル・インスツルメンツ・チャレンジ(ROBUST-MIS)の結果に適用した。
提案手法の開発は,従来の手法が失敗する傾向にあった画像の処理において,最先端の総合的性能と具体的な強みを有する深層学習モデルを得た。
- 参考スコア（独自算出の注目度）: 1.0690055408831725
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Challenges have become the state-of-the-art approach to benchmark image
analysis algorithms in a comparative manner. While the validation on identical
data sets was a great step forward, results analysis is often restricted to
pure ranking tables, leaving relevant questions unanswered. Specifically,
little effort has been put into the systematic investigation on what
characterizes images in which state-of-the-art algorithms fail. To address this
gap in the literature, we (1) present a statistical framework for learning from
challenges and (2) instantiate it for the specific task of instrument instance
segmentation in laparoscopic videos. Our framework relies on the semantic meta
data annotation of images, which serves as foundation for a General Linear
Mixed Models (GLMM) analysis. Based on 51,542 meta data annotations performed
on 2,728 images, we applied our approach to the results of the Robust Medical
Instrument Segmentation Challenge (ROBUST-MIS) challenge 2019 and revealed
underexposure, motion and occlusion of instruments as well as the presence of
smoke or other objects in the background as major sources of algorithm failure.
Our subsequent method development, tailored to the specific remaining issues,
yielded a deep learning model with state-of-the-art overall performance and
specific strengths in the processing of images in which previous methods tended
to fail. Due to the objectivity and generic applicability of our approach, it
could become a valuable tool for validation in the field of medical image
analysis and beyond. and segmentation of small, crossing, moving and
transparent instrument(s) (parts).
- Abstract（参考訳）: 課題は、画像解析アルゴリズムを比較的にベンチマークするための最先端のアプローチとなっている。
同一のデータセットの検証は大きな前進でしたが、結果分析は純粋なランキングテーブルに限定されることが多く、関連する質問は答えられません。
具体的には、最先端のアルゴリズムが失敗した画像の特徴を体系的に調査する作業はほとんど行われていない。
文献のこのギャップに対処するため,(1)課題から学ぶための統計的枠組みを提示し,(2)腹腔鏡ビデオにおける機器のインスタンスセグメンテーションの特定のタスクをインスタンス化する。
我々のフレームワークは画像の意味的メタデータアノテーションに依存しており、GLMM(General Linear Mixed Models)解析の基礎となっている。
2,728枚の画像上で実行される51,542個のメタデータアノテーションに基づいて,Robost Medical Instrument Segmentation Challenge (ROBUST-MIS) Challenge 2019の結果にアプローチを適用した。
その後の手法開発では,既存の手法が失敗する傾向にあった画像の処理において,最先端の総合的性能と特定の強みを持つディープラーニングモデルを構築した。
このアプローチの客観性と汎用的適用性から,医療画像解析などの分野における検証ツールとして有用である可能性が示唆された。
そして、小さく、交差し、移動し、透明な機器(parts)のセグメンテーション。
関連論文リスト
- Masked Image Modeling: A Survey [73.21154550957898]
マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。
我々は近年,分類学を構築し,最も顕著な論文をレビューしている。
我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
論文 参考訳（メタデータ） (2024-08-13T07:27:02Z) - MIST: A Simple and Scalable End-To-End 3D Medical Imaging Segmentation Framework [1.4043931310479378]
医用イメージングツールキット(MIST)は、深層学習に基づく医用イメージングセグメンテーション手法の一貫性のあるトレーニング、テスト、評価を容易にするように設計されている。
MISTはデータ分析、前処理、評価パイプラインを標準化し、複数のアーキテクチャと損失関数を収容する。
論文 参考訳（メタデータ） (2024-07-31T05:17:31Z) - Information Theoretic Text-to-Image Alignment [49.396917351264655]
本稿では,ステア画像生成のための情報理論アライメント尺度を用いた新しい手法を提案する。
提案手法は最先端の手法よりも優れているが,MIを推定するためには事前学習されたデノナイジングネットワークを必要としない。
論文 参考訳（メタデータ） (2024-05-31T12:20:02Z) - Semantic Segmentation Refiner for Ultrasound Applications with Zero-Shot Foundation Models [1.8142288667655782]
本稿では,抽象的な形状を分割するセグメンテーション基礎モデルの能力を利用した,プロンプトレスセグメンテーション手法を提案する。
本手法の利点は,小型筋骨格超音波画像データセットを用いた実験で明らかにされた。
論文 参考訳（メタデータ） (2024-04-25T04:21:57Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳（メタデータ） (2023-07-19T16:42:52Z) - Metrics reloaded: Recommendations for image analysis validation [59.60445111432934]
メトリクスのリロード(Metrics Reloaded)は、メトリクスの問題を意識した選択において研究者を導く包括的なフレームワークである。
このフレームワークは多段階のDelphiプロセスで開発され、問題指紋という新しい概念に基づいている。
問題指紋に基づいて、ユーザは適切なバリデーションメトリクスを選択して適用するプロセスを通じてガイドされる。
論文 参考訳（メタデータ） (2022-06-03T15:56:51Z) - The Medical Segmentation Decathlon [37.44481677534694]
最先端の画像セグメンテーションアルゴリズムは、未確認のタスクで再訓練された場合、成熟し、正確で、一般化される。
一連のタスクにおける一貫した良いパフォーマンスは、以前は目に見えないタスクの異なるセットで、彼らの平均的なパフォーマンスを保った。
正確なAIセグメンテーションモデルのトレーニングは現在、非AI専門家にコモディティ化されている。
論文 参考訳（メタデータ） (2021-06-10T13:34:06Z) - Common Limitations of Image Processing Metrics: A Picture Story [58.83274952067888]
本論文は, 画像レベルの分類, セマンティックセグメンテーション, インスタンスセグメンテーション, オブジェクト検出タスクと表現できるバイオメディカル画像解析問題に焦点を当てる。
現在のバージョンは、世界中の60以上の機関からの画像分析の専門家からなる国際コンソーシアムが実施するメトリクスに関するDelphiプロセスに基づいている。
論文 参考訳（メタデータ） (2021-04-12T17:03:42Z) - Online Graph Completion: Multivariate Signal Recovery in Computer Vision [29.89364298411089]
グラフ上で定義された「完了」問題について検討し、追加測定の要求を順次行う必要がある。
グラフのフーリエ領域における最適化モデルを設計し、適応的な部分モジュラー性に基づくアイデアが実際にうまく機能するアルゴリズムをどう提供するかを記述する。
Imgurから収集した大量の画像では、分類が難しい画像について有望な結果が得られます。
論文 参考訳（メタデータ） (2020-08-12T01:34:21Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z)
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。