論文の概要: Quality control for more reliable integration of deep learning-based
image segmentation into medical workflows
- arxiv url: http://arxiv.org/abs/2112.03277v1
- Date: Mon, 6 Dec 2021 16:30:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 13:15:04.333262
- Title: Quality control for more reliable integration of deep learning-based
image segmentation into medical workflows
- Title(参考訳): 深層学習に基づく画像分割と医療ワークフローのより信頼性の高い統合のための品質管理
- Authors: Elena Williams, Sebastian Niehaus, Janis Reinelt, Alberto Merola, Paul
Glad Mihai, Ingo Roeder, Nico Scherf, Maria del C. Vald\'es Hern\'andez
- Abstract要約: 本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。
磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
- 参考スコア(独自算出の注目度): 0.23609258021376836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning algorithms underpin modern diagnostic-aiding software, which
has proved valuable in clinical practice, particularly in radiology. However,
inaccuracies, mainly due to the limited availability of clinical samples for
training these algorithms, hamper their wider applicability, acceptance, and
recognition amongst clinicians. We present an analysis of state-of-the-art
automatic quality control (QC) approaches that can be implemented within these
algorithms to estimate the certainty of their outputs. We validated the most
promising approaches on a brain image segmentation task identifying white
matter hyperintensities (WMH) in magnetic resonance imaging data. WMH are a
correlate of small vessel disease common in mid-to-late adulthood and are
particularly challenging to segment due to their varied size, and
distributional patterns. Our results show that the aggregation of uncertainty
and Dice prediction were most effective in failure detection for this task.
Both methods independently improved mean Dice from 0.82 to 0.84. Our work
reveals how QC methods can help to detect failed segmentation cases and
therefore make automatic segmentation more reliable and suitable for clinical
practice.
- Abstract(参考訳): 機械学習アルゴリズムは、特に放射線学において臨床的に有用であることが証明された現代の診断支援ソフトウェアを支える。
しかし、主に、これらのアルゴリズムを訓練するための臨床サンプルが不足しているため、その適用性、受容性、および臨床医の認識を妨げている。
本稿では,これらのアルゴリズムに実装可能な最先端自動品質制御(qc)手法の解析を行い,出力の確実性を評価する。
磁気共鳴画像データにおいて,脳画像分割タスクにおいて最も有望なホワイトマターハイパーインテンシティ(wmh)同定手法を検証した。
WMHは、中期から後期の成人に共通する小血管疾患の相関であり、サイズや分布パターンが多様であることから、特にセグメント化が困難である。
その結果,不確かさとサイコロ予測の集約は,このタスクの故障検出に最も有効であった。
どちらの方法も平均Diceを0.82から0.84に改善した。
本研究は,qc法が故障した分節症例の検出にどのように役立つかを明らかにし,臨床に適合する自動分節法をより信頼性の高いものにした。
関連論文リスト
- A Robust Ensemble Algorithm for Ischemic Stroke Lesion Segmentation: Generalizability and Clinical Utility Beyond the ISLES Challenge [30.611482996378683]
画像と疾患の多様性は、臨床価値を持つ一般化可能なAIアルゴリズムの開発を妨げる。
2022 Ischemic Stroke Lesion (ISLES) から得られた新しいアンサンブルアルゴリズムを提案する。
トップパフォーマンスのアルゴリズムを、個々のソリューションの限界を克服するアンサンブルモデルに組み合わせました。
論文 参考訳(メタデータ) (2024-03-28T13:56:26Z) - Hybrid quantum image classification and federated learning for hepatic steatosis diagnosis [0.023610981578132715]
実世界の臨床データを利用して非アルコール性肝脂肪症を正確に評価するハイブリッド量子ニューラルネットワークモデルを提案する。
このモデルでは画像分類精度が97%に達し、従来の手法を1.8%上回る。
論文 参考訳(メタデータ) (2023-11-04T13:28:06Z) - Uncertainty Quantification in Machine Learning Based Segmentation: A
Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
左室容積推定は各種心血管疾患の診断・管理に重要である。
近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。
本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
論文 参考訳(メタデータ) (2023-10-30T13:44:55Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳(メタデータ) (2023-07-30T16:08:45Z) - HGT: A Hierarchical GCN-Based Transformer for Multimodal Periprosthetic
Joint Infection Diagnosis Using CT Images and Text [0.0]
補綴関節感染症(PJI)は重篤な合併症である。
現在,CT画像とPJIの数値テキストデータを組み合わせた統一診断基準が確立されていない。
本研究では,ディープラーニングとマルチモーダル技術に基づく診断手法であるHGTを紹介する。
論文 参考訳(メタデータ) (2023-05-29T11:25:57Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳(メタデータ) (2023-01-01T05:02:46Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Robust End-to-End Focal Liver Lesion Detection using Unregistered
Multiphase Computed Tomography Images [23.89199023621166]
本研究は,CT画像から局所肝病変(FLL)を検出するための,完全自動エンドツーエンド学習フレームワークを提案する。
本手法は, 完全学習に基づくアプローチにより, 多相画像の不整合に対して頑健である。
提案手法のロバスト性は,ディープラーニングによるコンピュータ支援検出システムの臨床応用を高めることができる。
論文 参考訳(メタデータ) (2021-12-02T04:56:59Z) - Dual-Consistency Semi-Supervised Learning with Uncertainty
Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。
提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文 参考訳(メタデータ) (2021-04-07T16:23:35Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - 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。