論文の概要: Interactive Medical Image Segmentation with Self-Adaptive Confidence
Calibration
- arxiv url: http://arxiv.org/abs/2111.07716v1
- Date: Mon, 15 Nov 2021 12:38:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-16 14:32:11.449357
- Title: Interactive Medical Image Segmentation with Self-Adaptive Confidence
Calibration
- Title（参考訳）: 自己適応的信頼度校正による医用画像の相互分離
- Authors: Wenhao Li and Qisen Xu and Chuyun Shen and Bin Hu and Fengping Zhu and
Yuxin Li and Bo Jin and Xiangfeng Wang
- Abstract要約: 本稿では,自己適応信頼度校正(MECCA)を用いた対話型メダカルセグメンテーションという対話型セグメンテーションフレームワークを提案する。
新規な行動に基づく信頼ネットワークを通じて評価を確立し、MARLから補正動作を得る。
種々の医用画像データセットに対する実験結果から,提案アルゴリズムの有意な性能が示された。
- 参考スコア（独自算出の注目度）: 10.297081695050457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation is one of the fundamental problems for artificial
intelligence-based clinical decision systems. Current automatic medical image
segmentation methods are often failed to meet clinical requirements. As such, a
series of interactive segmentation algorithms are proposed to utilize expert
correction information. However, existing methods suffer from some segmentation
refining failure problems after long-term interactions and some cost problems
from expert annotation, which hinder clinical applications. This paper proposes
an interactive segmentation framework, called interactive MEdical segmentation
with self-adaptive Confidence CAlibration (MECCA), by introducing the
corrective action evaluation, which combines the action-based confidence
learning and multi-agent reinforcement learning (MARL). The evaluation is
established through a novel action-based confidence network, and the corrective
actions are obtained from MARL. Based on the confidential information, a
self-adaptive reward function is designed to provide more detailed feedback,
and a simulated label generation mechanism is proposed on unsupervised data to
reduce over-reliance on labeled data. Experimental results on various medical
image datasets have shown the significant performance of the proposed
algorithm.
- Abstract（参考訳）: 医用画像のセグメンテーションは、人工知能に基づく臨床決定システムの基本的問題の一つである。
現在の自動医療画像分割法は、しばしば臨床要件を満たさない。
そこで,専門家の補正情報を活用するために,対話型セグメンテーションアルゴリズムを提案する。
しかし, 既存の手法では, 長期的相互作用後の故障問題の分節化や, 専門家のアノテーションによるコスト問題に苦しめられており, 臨床応用が妨げられている。
本稿では,行動に基づく信頼度学習とマルチエージェント強化学習(MARL)を組み合わせることで,自己適応的信頼度校正(MECCA)と対話的メディカルセグメンテーションという対話的セグメンテーションフレームワークを提案する。
新規な行動に基づく信頼ネットワークを通じて評価を確立し、MARLから補正動作を得る。
機密情報に基づいて、より詳細なフィードバックを提供するように自己適応報酬機能を設計し、教師なしデータに対してシミュレーションラベル生成機構を提案し、ラベル付きデータへの過度な依存を減らす。
種々の医用画像データセットに対する実験結果から,提案アルゴリズムの有効性が示された。
関連論文リスト
- SPA: Efficient User-Preference Alignment against Uncertainty in Medical Image Segmentation [8.34233304138989]
textbfSPAは、人間との相互作用が最小限である様々なテストタイムの好みに効率的に適応する。
好みのセグメンテーションに達すると、臨床の作業量を減らす。
1) 既存の対話的セグメンテーションアプローチと比較して, 臨床時間と労力の大幅な削減が示されている。
論文 参考訳（メタデータ） (2024-11-23T10:27:08Z) - Robust Divergence Learning for Missing-Modality Segmentation [6.144772447916824]
マルチモーダルMRI(Multimodal Magnetic Resonance Imaging)は、脳腫瘍の亜領域を解析するための重要な補完情報を提供する。
自動セグメンテーションのための4つの一般的なMRIモダリティを用いた手法は成功しているが、画像品質の問題、一貫性のないプロトコル、アレルギー反応、コスト要因などにより、モダリティの欠如に悩まされることが多い。
H"古い発散と相互情報に基づく新しい単一モード並列処理ネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-13T03:03:30Z) - 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) - Comparative Benchmarking of Failure Detection Methods in Medical Image Segmentation: Unveiling the Role of Confidence Aggregation [0.723226140060364]
本稿では,医療画像セグメンテーションにおける故障検出手法の評価を目的とした総合的なベンチマークフレームワークを提案する。
我々は、現在の障害検出指標の強度と限界を特定し、リスクカバレッジ分析を全体的評価アプローチとして推奨する。
論文 参考訳（メタデータ） (2024-06-05T14:36:33Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - 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) - 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) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - 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) - 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。