論文の概要: ENHANCE (ENriching Health data by ANnotations of Crowd and Experts): A
case study for skin lesion classification
- arxiv url: http://arxiv.org/abs/2107.12734v1
- Date: Tue, 27 Jul 2021 11:23:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-28 20:40:57.108745
- Title: ENHANCE (ENriching Health data by ANnotations of Crowd and Experts): A
case study for skin lesion classification
- Title（参考訳）: オーディエンス(オーディエンスと専門家の注釈による健康データの向上) : 皮膚病変分類を事例として
- Authors: Ralf Raumanns, Gerard Schouten, Max Joosten, Josien P. W. Pluim and
Veronika Cheplygina
- Abstract要約: 既存のISICおよびPH2皮膚病変分類データセットを補完する複数のアノテーションを備えたオープンデータセットであるENHANCEを提案する。
このデータセットには、学部生、Amazon MTurkの群衆労働者、古典的な画像処理アルゴリズムなど、非専門的アノテーションソースからの視覚的ABC(非対称性、境界、色)特徴のアノテーションが含まれている。
- 参考スコア（独自算出の注目度）: 3.615728171984838
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present ENHANCE, an open dataset with multiple annotations to complement
the existing ISIC and PH2 skin lesion classification datasets. This dataset
contains annotations of visual ABC (asymmetry, border, colour) features from
non-expert annotation sources: undergraduate students, crowd workers from
Amazon MTurk and classic image processing algorithms. In this paper we first
analyse the correlations between the annotations and the diagnostic label of
the lesion, as well as study the agreement between different annotation
sources. Overall we find weak correlations of non-expert annotations with the
diagnostic label, and low agreement between different annotation sources. We
then study multi-task learning (MTL) with the annotations as additional labels,
and show that non-expert annotations can improve (ensembles of)
state-of-the-art convolutional neural networks via MTL. We hope that our
dataset can be used in further research into multiple annotations and/or MTL.
All data and models are available on Github:
https://github.com/raumannsr/ENHANCE.
- Abstract（参考訳）: 既存のISICおよびPH2皮膚病変分類データセットを補完する複数のアノテーションを備えたオープンデータセットであるENHANCEを提案する。
このデータセットには、学部生、Amazon MTurkの群衆労働者、古典的な画像処理アルゴリズムなど、非専門的アノテーションソースの視覚的ABC(非対称性、境界、色)のアノテーションが含まれている。
本稿では,まずアノテーションと病変の診断ラベルとの相関を解析し,異なるアノテーション源間の一致について検討する。
診断ラベルと非専門的アノテーションの相関は低く, 異なるアノテーションソース間の一致は低い。
次に、アノテーションを付加ラベルとしてマルチタスク学習(MTL)を研究し、MTLを介して最先端の畳み込みニューラルネットワークを改善することができることを示す。
当社のデータセットが、複数のアノテーションやMTLのさらなる研究に利用できることを願っています。
すべてのデータとモデルはgithubで入手できる。
関連論文リスト
- FedIA: Federated Medical Image Segmentation with Heterogeneous Annotation Completeness [30.780654470392125]
フェデレーテッド・ラーニングは医療画像セグメンテーションの魅力的なパラダイムとして登場した。
本稿では,医療実践における課題である不完全アノテーションについて述べる。
この問題に対処するために、FedIAという新しいソリューションを紹介します。
論文 参考訳（メタデータ） (2024-07-02T14:08:55Z) - KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot
Node Classification [75.95647590619929]
Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。
ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。
ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
論文 参考訳（メタデータ） (2023-08-15T02:38:08Z) - Rethinking Generalization: The Impact of Annotation Style on Medical
Image Segmentation [9.056814157662965]
アノテーションのバイアスを無視するのではなく、アノテーションのバイアスをモデル化することで、データセット間のアノテーションスタイルの違いを考慮できる有望な方法が示される。
次に、特定の画像特徴と相関するモデルアノテーションスタイルに対する画像条件付け手法を提案する。
論文 参考訳（メタデータ） (2022-10-31T15:28:49Z) - Label Cleaning Multiple Instance Learning: Refining Coarse Annotations
on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。
本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。
乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文 参考訳（メタデータ） (2021-09-22T15:06:06Z) - Information Symmetry Matters: A Modal-Alternating Propagation Network
for Few-Shot Learning [118.45388912229494]
未ラベルサンプルの欠落した意味情報を補うために,モーダル代替伝搬ネットワーク (MAP-Net) を提案する。
我々は,情報伝達がより有益になるように,セマンティクスを介して視覚的関係ベクトルを誘導するリレーガイダンス(RG)戦略を設計する。
提案手法は有望な性能を達成し,最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2021-09-03T03:43:53Z) - Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。
本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。
実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
論文 参考訳（メタデータ） (2021-07-07T11:43:59Z) - Learning Image Labels On-the-fly for Training Robust Classification
Models [13.669654965671604]
ノイズの多いアノテーション(例えば、異なるアルゴリズムベースのラベル付け子から)を一緒に利用し、相互に分類タスクの学習に役立てることができるかを示す。
メタトレーニングベースのラベルサンプリングモジュールは、追加のバックプロパゲーションプロセスを通じてモデル学習の恩恵を受けるラベルに出席するように設計されている。
論文 参考訳（メタデータ） (2020-09-22T05:38:44Z) - Learning from Multiple Datasets with Heterogeneous and Partial Labels
for Universal Lesion Detection in CT [25.351709433029896]
我々は、Lesion ENSemble(LENS)という、シンプルで効果的な病変検出フレームワークを構築した。
LENSはマルチタスク方式で複数の異種病変データセットから効率的に学習することができる。
我々は4つのパブリックな病変データセットでフレームワークをトレーニングし、DeepLesionで800のサブボリュームを手作業でラベル付けして評価する。
論文 参考訳（メタデータ） (2020-09-05T17:55:21Z) - Disentangling Human Error from the Ground Truth in Segmentation of
Medical Images [12.009437407687987]
本稿では,純粋にノイズの多い観測のみから,個々のアノテータの信頼性,真のセグメンテーションラベル分布まで,共同学習手法を提案する。
本手法は,必要ならばシミュレートした3つの医用画像セグメンテーションデータセットと実際の多彩なアノテーションに対して有効であることを示す。
論文 参考訳（メタデータ） (2020-07-31T11:03:12Z) - Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。
MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。
この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
論文 参考訳（メタデータ） (2020-07-27T17:03:50Z) - ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised
Medical Image Segmentation [99.90263375737362]
教師-学生最適化の非同期版であるATSOを提案する。
ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。
医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
論文 参考訳（メタデータ） (2020-06-24T04:05:12Z)
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。