論文の概要: Using Soft Labels to Model Uncertainty in Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2109.12622v1
- Date: Sun, 26 Sep 2021 14:47:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 16:00:37.477478
- Title: Using Soft Labels to Model Uncertainty in Medical Image Segmentation
- Title(参考訳): ソフトラベルを用いた医用画像分割の不確かさのモデル化
- Authors: Jo\~ao Louren\c{c}o Silva, Arlindo L. Oliveira
- Abstract要約: 複数の医師のアノテーションからソフトラベルを得るための簡易な手法を提案する。
各画像に対して,複数の信頼度でしきい値に閾値を設定できる1つのよく校正された出力を生成する。
提案手法をMICCAI 2021 QUBIQチャレンジで評価し,複数の医用画像セグメンテーションタスクで良好に動作することを示した。
- 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: Medical image segmentation is inherently uncertain. For a given image, there
may be multiple plausible segmentation hypotheses, and physicians will often
disagree on lesion and organ boundaries. To be suited to real-world
application, automatic segmentation systems must be able to capture this
uncertainty and variability. Thus far, this has been addressed by building deep
learning models that, through dropout, multiple heads, or variational
inference, can produce a set - infinite, in some cases - of plausible
segmentation hypotheses for any given image. However, in clinical practice, it
may not be practical to browse all hypotheses. Furthermore, recent work shows
that segmentation variability plateaus after a certain number of independent
annotations, suggesting that a large enough group of physicians may be able to
represent the whole space of possible segmentations. Inspired by this, we
propose a simple method to obtain soft labels from the annotations of multiple
physicians and train models that, for each image, produce a single
well-calibrated output that can be thresholded at multiple confidence levels,
according to each application's precision-recall requirements. We evaluated our
method on the MICCAI 2021 QUBIQ challenge, showing that it performs well across
multiple medical image segmentation tasks, produces well-calibrated
predictions, and, on average, performs better at matching physicians'
predictions than other physicians.
- Abstract(参考訳): 医用画像のセグメンテーションは本質的に不確かである。
ある画像に対して、複数のもっともらしいセグメンテーション仮説が存在し、医師はしばしば病変や臓器の境界に異を唱える。
現実世界のアプリケーションに適合するためには、自動セグメンテーションシステムは、この不確実性と可変性を捉える必要がある。
これまでのところ、この問題は、ドロップアウト、複数のヘッド、あるいは変分推論を通じて、任意の画像に対して可能なセグメンテーション仮説のセットを無限に生成できるディープラーニングモデルの構築によって対処されてきた。
しかし、臨床では全ての仮説を閲覧することは実用的ではないかもしれない。
さらに、最近の研究は、いくつかの独立したアノテーションの後にセグメンテーションの多様性が高騰していることを示し、十分な数の医師群が、可能なセグメンテーションの空間全体を表現できることを示唆している。
そこで,本稿では,複数の医師のアノテーションからソフトラベルを得るための簡易な手法を提案する。
本手法はmiccai 2021 qubiq 課題において,複数の医用画像分割タスクにまたがって良好に動作し,適切に調整された予測を行い,平均的に他の医師よりも医師の予測に合致する性能を示した。
関連論文リスト
- Probabilistic Modeling of Inter- and Intra-observer Variability in
Medical Image Segmentation [12.594098548008832]
我々は、確率的オブザーバとiNtraオブザーバ変異NetwOrk(ピオノ)と呼ばれる新しいモデルを提案する。
各レーダのラベル付け動作を多次元確率分布で捉え、確率的セグメンテーション予測を生成する。
実世界のがんセグメンテーションデータセットの実験は、ピオノの精度と効率を実証している。
論文 参考訳(メタデータ) (2023-07-21T07:29:38Z) - Generalist Vision Foundation Models for Medical Imaging: A Case Study of
Segment Anything Model on Zero-Shot Medical Segmentation [5.547422331445511]
9つの医用画像セグメンテーションベンチマークにおいて,定量および定性的ゼロショットセグメンテーションの結果を報告する。
本研究は,医用画像における一般視基盤モデルの汎用性を示すものである。
論文 参考訳(メタデータ) (2023-04-25T08:07:59Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - Multi-Modal Evaluation Approach for Medical Image Segmentation [4.989480853499916]
本稿では,異なるセグメンテーション手法の有効性を評価するために,新しいマルチモーダル評価(MME)手法を提案する。
本稿では, 検出特性, 境界アライメント, 均一性, 総体積, 相対体積など, 関連性, 解釈可能な新しい特徴を紹介する。
提案するアプローチはオープンソースで,使用することができる。
論文 参考訳(メタデータ) (2023-02-08T15:31:33Z) - 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) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳(メタデータ) (2022-05-06T08:37:02Z) - Efficient and Generic Interactive Segmentation Framework to Correct
Mispredictions during Clinical Evaluation of Medical Images [32.00559434186769]
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。
論文 参考訳(メタデータ) (2021-08-06T08:06:18Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。
ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
論文 参考訳(メタデータ) (2020-10-20T04:30:09Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳(メタデータ) (2020-05-27T06:58:39Z)
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。