論文の概要: A new baseline for retinal vessel segmentation: Numerical identification
and correction of methodological inconsistencies affecting 100+ papers
- arxiv url: http://arxiv.org/abs/2111.03853v1
- Date: Sat, 6 Nov 2021 11:09:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 15:31:47.005180
- Title: A new baseline for retinal vessel segmentation: Numerical identification
and correction of methodological inconsistencies affecting 100+ papers
- Title（参考訳）: 網膜血管セグメンテーションの新しいベースライン : 100以上の論文に影響を及ぼす方法論的不整合の数値的同定と補正
- Authors: Gy\"orgy Kov\'acs, Attila Fazekas
- Abstract要約: 得られた性能スコアのコヒーレンスに関する詳細な数値解析を行った。
視野の使用に関する報告結果に矛盾が認められた。
これまでに達成された最高精度はFoV領域の0.9582であり、これは人間のアノテーションよりも1%高い。
- 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: In the last 15 years, the segmentation of vessels in retinal images has
become an intensively researched problem in medical imaging, with hundreds of
algorithms published. One of the de facto benchmarking data sets of vessel
segmentation techniques is the DRIVE data set. Since DRIVE contains a
predefined split of training and test images, the published performance results
of the various segmentation techniques should provide a reliable ranking of the
algorithms. Including more than 100 papers in the study, we performed a
detailed numerical analysis of the coherence of the published performance
scores. We found inconsistencies in the reported scores related to the use of
the field of view (FoV), which has a significant impact on the performance
scores. We attempted to eliminate the biases using numerical techniques to
provide a more realistic picture of the state of the art. Based on the results,
we have formulated several findings, most notably: despite the well-defined
test set of DRIVE, most rankings in published papers are based on
non-comparable figures; in contrast to the near-perfect accuracy scores
reported in the literature, the highest accuracy score achieved to date is
0.9582 in the FoV region, which is 1% higher than that of human annotators. The
methods we have developed for identifying and eliminating the evaluation biases
can be easily applied to other domains where similar problems may arise.
- Abstract（参考訳）: 過去15年間で、網膜画像中の血管の分画は、数百のアルゴリズムが発行された医療画像において、集中的に研究される問題となっている。
コンテナセグメンテーション技術のデファクトベンチマークデータセットの1つは、DRIVEデータセットである。
DRIVEは事前定義されたトレーニング画像とテスト画像の分割を含むため,様々なセグメンテーション手法による性能評価の結果は,アルゴリズムの信頼性の高いランキングを提供する必要がある。
この研究には100以上の論文が含まれており、公開パフォーマンススコアの一貫性に関する詳細な数値分析を行った。
fov(field of view)の使用に関して報告されたスコアの不一致が,パフォーマンススコアに大きな影響を与えていることがわかった。
我々は,そのバイアスを数値的手法で排除し,より現実的な芸術の像を提示しようと試みた。
この結果から, DRIVEの精確なテストセットにもかかわらず, 論文のほとんどのランキングは, 比較不可能な数値に基づいており, 文献で報告されているほぼ完全な精度スコアとは対照的に, ヒトのアノテーションよりも1%高いFoV領域において, これまでに達成された最高精度スコアは0.9582である。
評価バイアスを識別し除去するために開発した手法は,類似する問題が発生する可能性のある他の領域にも容易に適用できる。
関連論文リスト
- Efficient Data-Sketches and Fine-Tuning for Early Detection of Distributional Drift in Medical Imaging [5.1358645354733765]
本稿では,CT-Scan医療画像における分布のドリフトを検出するための,高精度かつ高感度なアプローチを提案する。
我々は,リアルタイムな異常検出のための頑健なライブラリモデルを開発し,画像の効率的な比較を可能にした。
乳がん画像から関連する特徴を抽出するために,視力変換器の事前訓練モデルを微調整した。
論文 参考訳（メタデータ） (2024-08-15T23:46:37Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - 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) - Intrinsic Self-Supervision for Data Quality Audits [35.69673085324971]
コンピュータビジョンにおけるベンチマークデータセットは、しばしば、オフトピック画像、ほぼ重複、ラベルエラーを含む。
本稿では,データクリーニングの課題を再考し,ランキング問題やスコアリング問題として定式化する。
文脈認識型自己教師型表現学習と距離に基づく指標の組み合わせは, 適応バイアスのない問題発見に有効であることがわかった。
論文 参考訳（メタデータ） (2023-05-26T15:57:04Z) - Devil is in the Queries: Advancing Mask Transformers for Real-world
Medical Image Segmentation and Out-of-Distribution Localization [40.013449382899566]
信頼できる医療AIアルゴリズムは、臨床的に危険な損傷を避けるために、尾の条件でその効果を示すべきである。
我々は、意味的セグメンテーションをソフトクラスタ割り当てとして定式化するために、Mask Transformerにおけるオブジェクトクエリの概念を採用する。
本フレームワークは膵腫瘍と肝腫瘍の分節という2つの実世界の分節タスクでテストされる。
論文 参考訳（メタデータ） (2023-04-01T03:24:03Z) - Improving Object Detection in Medical Image Analysis through Multiple
Expert Annotators: An Empirical Investigation [0.3670422696827525]
本研究は, 医用画像解析における異常検出における機械学習アルゴリズムの利用について論じる。
さまざまなレベルの専門知識を持つ複数のアノテーションからアノテーションを集約する,シンプルで効果的なアプローチを導入する。
次に、複数のアノテーションから隠れラベルを推定し、再重み付き損失関数を用いて検出性能を向上させることにより、異常検出タスクにおける予測モデルの効率を向上させることを目的とする。
論文 参考訳（メタデータ） (2023-03-29T07:34:20Z) - TeTIm-Eval: a novel curated evaluation data set for comparing
text-to-image models [1.1252184947601962]
テキスト・ツー・イメージ・モデルの評価と比較は難しい問題です。
本稿では,<i>i>i>i>i>i>i>i>i>i>i>i</i>i>i>i>i>i>i>i>i>i>i</i>i>i>i>i>i>i>i>i>i</i>i>i>i>i</i>i>i>i>i>i>i>i</i>i>i>i>i>i>i</i>i>i>i>i>i>i>i>i>i>i>i>i>i>i>i>i>i>i>i>i>i>i>i>i>i</i>i>i>i>i</i>i>i>i</i>i>i>i</i>i>i</i>i>i</i>
初期の実験結果から,ヒト判定の精度はCLIPスコアと完全に一致していることが明らかとなった。
論文 参考訳（メタデータ） (2022-12-15T13:52:03Z) - 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) - Fake It Till You Make It: Near-Distribution Novelty Detection by
Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。
本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。
本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文 参考訳（メタデータ） (2022-05-28T02:02:53Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。