論文の概要: Quality monitoring of federated Covid-19 lesion segmentation

• arxiv url: http://arxiv.org/abs/2112.08974v1
• Date: Thu, 16 Dec 2021 15:49:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 15:08:28.855609
• Title: Quality monitoring of federated Covid-19 lesion segmentation
• Title（参考訳）: federated covid-19 lesion segmentation の品質モニタリング
• Authors: Camila Gonzalez, Christian Harder, Amin Ranem, Ricarda Fischbach, Isabel Kaltenborn, Armin Dadras, Andreas Bucher, Anirban Mukhopadhyay
• Abstract要約: 本稿では,各病院で局所的に計算し,統合システムの集中的なモニタリングを行うための軽量なメトリクスの配列について述べる。 我々の線形モデルは、分布外データセット上の低品質セグメンテーションの70%以上を検出し、モデル性能の低下を確実に示している。
• 参考スコア（独自算出の注目度）: 0.31399837869748465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning is the most promising way to train robust Deep Learning models for the segmentation of Covid-19-related findings in chest CTs. By learning in a decentralized fashion, heterogeneous data can be leveraged from a variety of sources and acquisition protocols whilst ensuring patient privacy. It is, however, crucial to continuously monitor the performance of the model. Yet when it comes to the segmentation of diffuse lung lesions, a quick visual inspection is not enough to assess the quality, and thorough monitoring of all network outputs by expert radiologists is not feasible. In this work, we present an array of lightweight metrics that can be calculated locally in each hospital and then aggregated for central monitoring of a federated system. Our linear model detects over 70% of low-quality segmentations on an out-of-distribution dataset and thus reliably signals a decline in model performance.
• Abstract（参考訳）: フェデレーテッド・ラーニングは、胸部CTにおけるCovid-19関連所見のセグメンテーションのために、堅牢なディープラーニングモデルをトレーニングする最も有望な方法である。 分散的な方法で学習することで、患者プライバシを確保しながら、さまざまなソースや取得プロトコルから異種データを活用できる。 しかし、モデルの性能を継続的に監視することは重要である。 しかし, びまん性肺病変の分画に関しては, 迅速視診が品質評価に足りず, 専門放射線科医による全ネットワークアウトプットの徹底的な監視は不可能である。 本研究では,各病院で局所的に計算し,統合システムの集中的なモニタリングを行うための軽量なメトリクスの配列を提示する。 線形モデルは,分散型データセット上で品質の低いセグメンテーションの70%以上を検出し,モデル性能の低下を確実に知らせる。

関連論文リスト

• Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
  本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。 また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
  論文  参考訳（メタデータ） (2024-11-04T12:24:33Z)
• Distance-based detection of out-of-distribution silent failures for Covid-19 lung lesion segmentation [0.8200989595956418]
  ディープラーニングモデルは、アウト・オブ・ディストリビューションデータにサイレントに失敗するため、臨床ルーチンに信頼されていない。 特徴空間におけるマハラノビス距離を利用する軽量なOOD検出法を提案する。 胸部CT像の分布変化とMRIの2つの応用について検討した。
  論文  参考訳（メタデータ） (2022-08-05T15:05:23Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Detecting when pre-trained nnU-Net models fail silently for Covid-19 lung lesion segmentation [0.34940201626430645]
  本稿では,特徴空間におけるマハラノビス距離を利用した軽量OOD検出手法を提案する。 多施設データセットで訓練したパッチベースのnnU-Netアーキテクチャを用いて,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2021-07-13T10:48:08Z)
• 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)
• BS-Net: learning COVID-19 pneumonia severity on a large Chest X-Ray dataset [6.5800499500032705]
  我々は、Chest X-rays画像(CXR)に基づいて、新型コロナウイルス患者の肺妥協の度合いを判定するエンド・ツー・エンドのディープラーニングアーキテクチャを設計する。 当院で収集した約5,000個のCXR注釈画像の臨床的データセットを利用して検討した。 私たちのソリューションは、評価精度と一貫性において、一人のアノテータよりも優れています。
  論文  参考訳（メタデータ） (2020-06-08T13:55:58Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• A Systematic Search over Deep Convolutional Neural Network Architectures for Screening Chest Radiographs [4.6411273009803065]
  胸部X線写真は肺・胸部疾患のスクリーニングに用いられる。 近年の取り組みは、深層畳み込みニューラルネットワーク(CNN)のアンサンブルを用いた性能ベンチマークを実証している。 複数の標準CNNアーキテクチャを体系的に探索し、分類性能がアンサンブルと同等であることが判明した単一候補モデルを特定した。
  論文  参考訳（メタデータ） (2020-04-24T12:30:40Z)

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。