論文の概要: Efficient and Generic Interactive Segmentation Framework to Correct Mispredictions during Clinical Evaluation of Medical Images

• arxiv url: http://arxiv.org/abs/2108.02996v1
• Date: Fri, 6 Aug 2021 08:06:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 14:31:06.597560
• Title: Efficient and Generic Interactive Segmentation Framework to Correct Mispredictions during Clinical Evaluation of Medical Images
• Title（参考訳）: 医用画像の臨床評価中に誤予測を訂正するための効率的かつ汎用的な対話的セグメンテーションフレームワーク
• Authors: Bhavani Sambaturu, Ashutosh Gupta, C.V. Jawahar, Chetan Arora
• Abstract要約: 我々はディープニューラルネットワーク(DNN)のための新しい条件推論手法を提案する。 他の方法とは異なり、我々の手法は複数の構造を同時に修正し、初期セグメンテーションで欠落した構造を追加することができる。 本手法は, 専門医の介入を最小限に抑えて, 診断・術後の経過観察に有用である。
• 参考スコア（独自算出の注目度）: 32.00559434186769
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation of medical images is an essential first step in computer-aided diagnosis systems for many applications. However, given many disparate imaging modalities and inherent variations in the patient data, it is difficult to consistently achieve high accuracy using modern deep neural networks (DNNs). This has led researchers to propose interactive image segmentation techniques where a medical expert can interactively correct the output of a DNN to the desired accuracy. However, these techniques often need separate training data with the associated human interactions, and do not generalize to various diseases, and types of medical images. In this paper, we suggest a novel conditional inference technique for DNNs which takes the intervention by a medical expert as test time constraints and performs inference conditioned upon these constraints. Our technique is generic can be used for medical images from any modality. Unlike other methods, our approach can correct multiple structures simultaneously and add structures missed at initial segmentation. We report an improvement of 13.3, 12.5, 17.8, 10.2, and 12.4 times in user annotation time than full human annotation for the nucleus, multiple cells, liver and tumor, organ, and brain segmentation respectively. We report a time saving of 2.8, 3.0, 1.9, 4.4, and 8.6 fold compared to other interactive segmentation techniques. Our method can be useful to clinicians for diagnosis and post-surgical follow-up with minimal intervention from the medical expert. The source-code and the detailed results are available here [1].
• Abstract（参考訳）: 医療画像のセマンティックセグメンテーションは多くの用途においてコンピュータ支援診断システムにおいて重要な第一歩である。 しかし、多くの異なる画像モダリティと患者データ固有の変動を考えると、現代のディープニューラルネットワーク(DNN)を用いて常に高い精度を達成することは困難である。 これにより、医学の専門家がdnnの出力を所望の精度でインタラクティブに補正できるインタラクティブな画像分割手法が提案されている。 しかしながら、これらの技術は、しばしば関連する人間の相互作用と個別のトレーニングデータを必要とし、様々な疾患や種類の医療画像に一般化しない。 本稿では、医療専門家の介入をテスト時間制約とし、これらの制約に基づいて推論を行うdnnの新しい条件付き推論手法を提案する。 我々の技術は、あらゆるモダリティの医療画像に利用することができる。 他の手法とは異なり、複数の構造を同時に修正し、最初のセグメンテーションで見逃された構造を追加することができる。 核, 多発細胞, 肝, 腫瘍, 臓器, 脳セグメンテーションの総アノテーションよりも, ユーザアノテーションの13.3, 12.5, 17.8, 10.2, 12.4倍の改善が見られた。 他のインタラクティブセグメンテーション技術と比較して,2.8,3.0,1.9,4.4,8.6倍の時間節約が報告されている。 本手法は, 専門医の介入が最小限で, 診断および術後経過観察に有用である。 ソースコードと詳細な結果は、ここ[1]にある。

関連論文リスト

• MedUHIP: Towards Human-In-the-Loop Medical Segmentation [5.520419627866446]
  医用画像のセグメンテーションは、固有の不確実性によって特に複雑である。 我々はtextbfuncertainty-aware モデルと textbf Human-in-the-loop 相互作用を統合する新しいアプローチを提案する。 提案手法は,決定論的および不確実性を考慮したモデルよりも優れたセグメンテーション能力を示す。
  論文  参考訳（メタデータ） (2024-08-03T01:06:02Z)
• CT-GLIP: 3D Grounded Language-Image Pretraining with CT Scans and Radiology Reports for Full-Body Scenarios [53.94122089629544]
  我々は,CT-GLIP(Grounded Language- Image Pretraining with CT scans)を導入する。 本手法は,104臓器にわたる17,702症例を対象に,44,011例の臓器レベルの視覚テキストペアからなるマルチモーダルCTデータセットを用いて訓練し,自然言語を用いて臓器と異常をゼロショットで識別できることを実証した。
  論文  参考訳（メタデータ） (2024-04-23T17:59:01Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
  医用画像のテキストレポートの代替としてアイトラッキングを提案する。 医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。 対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
  論文  参考訳（メタデータ） (2023-12-11T02:27:45Z)
• A hybrid approach for improving U-Net variants in medical image segmentation [0.0]
  医学的イメージを様々なセグメントや興味のある領域に分割する技術は、医学的イメージセグメンテーションとして知られている。 生成されたセグメント画像は、診断、手術計画、治療評価など、さまざまな用途に利用することができる。 本研究の目的は,深層的に分離可能な畳み込みを用いたネットワークパラメータ要求の低減である。
  論文  参考訳（メタデータ） (2023-07-31T07:43:45Z)
• Single-Image-Based Deep Learning for Segmentation of Early Esophageal Cancer Lesions [36.60419108411669]
  脳波病変の分節化のための新しい深層学習手法を提案する。 1人の患者から得られる1つのイメージにのみ依存し、いわゆる"You-Only-Have-One"フレームワークを形成する。 我々は、自分たちで作成したEECデータセットに対してYOHOを評価し、平均Diceスコア0.888を達成した。
  論文  参考訳（メタデータ） (2023-06-09T14:06:26Z)
• Few-shot image segmentation for cross-institution male pelvic organs using registration-assisted prototypical learning [13.567073992605797]
  本研究は,医用画像のための最初の3D画像間セグメンテーションネットワークを提案する。 興味のある8つの領域を持つ前立腺がん患者のラベル付き多施設データセットを使用する。 内蔵登録機構は、被験者間の一貫性のある解剖学の事前知識を効果的に活用することができる。
  論文  参考訳（メタデータ） (2022-01-17T11:44:10Z)
• MIDeepSeg: Minimally Interactive Segmentation of Unseen Objects from Medical Images Using Deep Learning [15.01235930304888]
  ユーザインプットとしてクリックのみを必要とすることによる高効率な深層学習に基づく対話型セグメンテーション手法を提案する。 提案フレームワークは,最先端の対話型フレームワークと比較して,ユーザインタラクションが少なく,時間も少なく,正確な結果が得られる。
  論文  参考訳（メタデータ） (2021-04-25T14:15:17Z)
• Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
  病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。 これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。 テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T20:05:35Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• 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。