Fugu-MT 論文翻訳(概要): SSEGEP: Small SEGment Emphasized Performance evaluation metric for medical image segmentation

論文の概要: SSEGEP: Small SEGment Emphasized Performance evaluation metric for medical image segmentation

arxiv url: http://arxiv.org/abs/2109.03435v1
Date: Wed, 8 Sep 2021 05:05:49 GMT
ステータス: 処理完了
システム内更新日: 2021-09-09 13:38:24.692690
Title: SSEGEP: Small SEGment Emphasized Performance evaluation metric for medical image segmentation
Title（参考訳）: ssegep: 医療画像分割のための小セグメント強調性能評価指標
Authors: Ammu R, Neelam Sinha
Abstract要約: SSEGEP (Small SEGment Emphasized Performance Evaluation metric) (range : 0(Bad) to 1(Good)) SSEGEP (Small SEGment Emphasized Performance Evaluation metric) (range : 0(Bad) to 1(Good)) 最大の露光物が1.41%、最小が0.0002%の33基の画像に対して、提案されたメートル法はDice similarity Coefficient (DSC)と比較すると、MOSに30%近い。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Automatic image segmentation is a critical component of medical image analysis, and hence quantifying segmentation performance is crucial. Challenges in medical image segmentation are mainly due to spatial variations of regions to be segmented and imbalance in distribution of classes. Commonly used metrics treat all detected pixels, indiscriminately. However, pixels in smaller segments must be treated differently from pixels in larger segments, as detection of smaller ones aid in early treatment of associated disease and are also easier to miss. To address this, we propose a novel evaluation metric for segmentation performance, emphasizing smaller segments, by assigning higher weightage to smaller segment pixels. Weighted false positives are also considered in deriving the new metric named, "SSEGEP"(Small SEGment Emphasized Performance evaluation metric), (range : 0(Bad) to 1(Good)). The experiments were performed on diverse anatomies(eye, liver, pancreas and breast) from publicly available datasets to show applicability of the proposed metric across different imaging techniques. Mean opinion score (MOS) and statistical significance testing is used to quantify the relevance of proposed approach. Across 33 fundus images, where the largest exudate is 1.41%, and the smallest is 0.0002% of the image, the proposed metric is 30% closer to MOS, as compared to Dice Similarity Coefficient (DSC). Statistical significance testing resulted in promising p-value of order 10^{-18} with SSEGEP for hepatic tumor compared to DSC. The proposed metric is found to perform better for the images having multiple segments for a single label.
Abstract（参考訳）: 画像の自動セグメンテーションは医用画像解析の重要な構成要素であり,セグメンテーション性能の定量化が重要である。医用画像セグメンテーションの課題は、主に、セグメンテーション対象領域の空間的変化とクラス分布の不均衡によるものである。一般的に使用されるメトリクスは、検出されたすべてのピクセルを無差別に扱う。しかし、より小さなセグメントのピクセルは、より大きなセグメントのピクセルとは異なる扱いを受けなければならない。そこで本研究では,より高重みを小さいセグメント画素に割り当てることにより,より小さなセグメントを強調したセグメンテーション性能の評価基準を提案する。重み付き偽陽性はまた、SSEGEP (Small SEGment Emphasized Performance Evaluation metric) (range : 0(Bad) to 1(Good)) と呼ばれる新しい指標を導出する際にも考慮される。実験は、利用可能なデータセットから、さまざまな解剖学的(眼、肝臓、膵、乳房)で実施され、さまざまなイメージング技術で提案された指標の適用性を示した。平均世論スコア(mos)と統計的意義検定は、提案手法の妥当性を定量化するために用いられる。最大の露光物が1.41%、最小値が0.0002%の33基の画像に対して、提案されたメートル法はDice similarity Coefficient (DSC)と比較すると、MOSに30%近い。統計学的意義試験の結果,肝腫瘍に対してssegepを併用した10^{-18}のp値がdscと比較して有望であった。提案手法は,単一のラベルに対して複数のセグメントを持つ画像に対して良好な性能を示す。

関連論文リスト

Every Component Counts: Rethinking the Measure of Success for Medical Semantic Segmentation in Multi-Instance Segmentation Tasks [60.80828925396154]
本稿では,新しいセマンティックセグメンテーション評価プロトコルであるConnected-Component (CC)-Metricsを提案する。本研究は,全体PET/CTにおけるセマンティックセグメンテーションの一般的な医療シナリオにおいて,この設定を動機付けている。既存のセマンティックセグメンテーションのメトリクスが、より大きな接続コンポーネントに対するバイアスにどのように悩まされているかを示す。
論文参考訳（メタデータ） (2024-10-24T12:26:05Z)
MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。 3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
論文参考訳（メタデータ） (2024-03-29T15:59:11Z)
I-MedSAM: Implicit Medical Image Segmentation with Segment Anything [24.04558900909617]
提案するI-MedSAMは、連続表現とSAMの両方の利点を利用して、クロスドメイン能力と正確な境界線を求める。トレーニング可能なパラメータが1.6Mしかない提案手法は、離散的および暗黙的を含む既存の手法よりも優れている。
論文参考訳（メタデータ） (2023-11-28T00:43:52Z)
MLN-net: A multi-source medical image segmentation method for clustered microcalcifications using multiple layer normalization [8.969596531778121]
本稿では,MLN-netという新しいフレームワークを提案する。本稿では,異なる領域のクラスタ化マイクロ石灰化セグメンテーションにおけるMLN-netの有効性を検証した。
論文参考訳（メタデータ） (2023-09-06T05:56:30Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文参考訳（メタデータ） (2023-01-12T08:19:46Z)
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)
PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文参考訳（メタデータ） (2022-07-24T07:45:47Z)
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文参考訳（メタデータ） (2021-10-17T08:49:33Z)
Fast whole-slide cartography in colon cancer histology using superpixels and CNN classification [0.22312377591335414]
通常、全体スライディングイメージは小さなパッチに分割され、機械学習ベースのアプローチを使用して個別に分析される。本稿では,画像の分類に先立って,視覚的に類似した画像画素をより大きなセグメント,すなわちスーパーピクセルに分類することで,画像をコヒーレントな領域に分割することを提案する。このアルゴリズムは手書きの大腸切除画像159枚のデータセットを用いて開発・検証され,その性能は標準的なパッチベースアプローチと比較されている。
論文参考訳（メタデータ） (2021-06-30T08:34:06Z)
Modeling the Probabilistic Distribution of Unlabeled Data forOne-shot Medical Image Segmentation [40.41161371507547]
我々は1ショットの脳磁気共鳴画像(MRI)画像分割のためのデータ拡張法を開発した。提案手法は,MRI画像1枚(atlas)とラベルなし画像数枚のみを利用する。本手法は最先端のワンショット医療セグメンテーション法より優れている。
論文参考訳（メタデータ） (2021-02-03T12:28:04Z)

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。