論文の概要: Comparison of Evaluation Metrics for Landmark Detection in CMR Images

• arxiv url: http://arxiv.org/abs/2201.10410v1
• Date: Tue, 25 Jan 2022 15:58:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-26 15:37:05.959583
• Title: Comparison of Evaluation Metrics for Landmark Detection in CMR Images
• Title（参考訳）: CMR画像におけるランドマーク検出のための評価基準の比較
• Authors: Sven Koehler, Lalith Sharan, Julian Kuhm, Arman Ghanaat, Jelizaveta Gordejeva, Nike K. Simon, Niko M. Grell, Florian Andr\'e, Sandy Engelhardt
• Abstract要約: 右室挿入点のラベルを付加したパブリックACDCデータセットを拡張した。 ヒートマップに基づくランドマーク検出パイプラインのさまざまなバリエーションを比較した。 予備的な結果は、異なるメトリクスの組み合わせが必要であることを示している。
• 参考スコア（独自算出の注目度）: 0.8219153654616499
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cardiac Magnetic Resonance (CMR) images are widely used for cardiac diagnosis and ventricular assessment. Extracting specific landmarks like the right ventricular insertion points is of importance for spatial alignment and 3D modeling. The automatic detection of such landmarks has been tackled by multiple groups using Deep Learning, but relatively little attention has been paid to the failure cases of evaluation metrics in this field. In this work, we extended the public ACDC dataset with additional labels of the right ventricular insertion points and compare different variants of a heatmap-based landmark detection pipeline. In this comparison, we demonstrate very likely pitfalls of apparently simple detection and localisation metrics which highlights the importance of a clear detection strategy and the definition of an upper limit for localisation-based metrics. Our preliminary results indicate that a combination of different metrics is necessary, as they yield different winners for method comparison. Additionally, they highlight the need of a comprehensive metric description and evaluation standardisation, especially for the error cases where no metrics could be computed or where no lower/upper boundary of a metric exists. Code and labels: https://github.com/Cardio-AI/rvip_landmark_detection
• Abstract（参考訳）: 心臓磁気共鳴画像(CMR)は心臓診断や心室評価に広く用いられている。 右室挿入点のような特定の目印を抽出することは空間的アライメントと3次元モデリングにおいて重要である。 このようなランドマークの自動検出は、Deep Learningを使って複数のグループによって行われているが、この分野における評価指標の失敗事例にはあまり注目されていない。 本研究では,右室挿入点のラベルを付加したパブリックACDCデータセットを拡張し,ヒートマップに基づくランドマーク検出パイプラインの異なる変種を比較した。 この比較において、明らかな検出戦略の重要性とローカライズベースのメトリクスに対する上限の定義を強調する、一見単純な検出とローカライズメトリクスの落とし穴を非常に高い確率で示しています。 私たちの予備結果は、異なるメトリクスの組み合わせが必要であり、メソッド比較の勝者が異なることを示している。 さらに、特にメトリクスを計算できなかったり、メトリクスの下位/上位境界が存在しないエラーケースに対して、包括的なメトリック記述と評価の標準化の必要性を強調している。 コードとラベル:https://github.com/Cardio-AI/rvip_landmark_detection

関連論文リスト

• Every Component Counts: Rethinking the Measure of Success for Medical Semantic Segmentation in Multi-Instance Segmentation Tasks [60.80828925396154]
  本稿では,新しいセマンティックセグメンテーション評価プロトコルであるConnected-Component (CC)-Metricsを提案する。 本研究は,全体PET/CTにおけるセマンティックセグメンテーションの一般的な医療シナリオにおいて,この設定を動機付けている。 既存のセマンティックセグメンテーションのメトリクスが、より大きな接続コンポーネントに対するバイアスにどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-10-24T12:26:05Z)
• EchoGLAD: Hierarchical Graph Neural Networks for Left Ventricle Landmark Detection on Echocardiograms [21.537833605289816]
  左室ランドマーク検出(EchoGLAD)のための心エコーを用いた階層型グラフニューラルネットワーク(GNN)を提案する。 本研究の主な貢献は,1)GNNによるマルチ解像度ランドマーク検出のための階層的グラフ表現学習フレームワーク,2)多レベル損失を用いた粒度の異なる階層的監視である。
  論文  参考訳（メタデータ） (2023-07-23T05:31:47Z)
• Range-Based Equal Error Rate for Spoof Localization [43.75986914767975]
  Spoofローカライゼーションは、部分的にスプーフされたオーディオ中のスプーフを見つけることを目的とした重要なタスクである。 等誤差率(EER)は、このような生体シナリオのパフォーマンスを測定するために広く使われている。 我々は、点ベースのEERを範囲ベースのEERにアップグレードし、古典的な点ベースのEERと比較する。
  論文  参考訳（メタデータ） (2023-05-28T14:46:54Z)
• Robust Detection Outcome: A Metric for Pathology Detection in Medical Images [6.667150890634173]
  ロバスト検出アウトカム(RoDeO)は、医学画像における病理診断アルゴリズムを評価するための新しい指標である。 RoDeOは、個々のエラーを直接評価し、現在のメトリクスよりも臨床ニーズを反映する。
  論文  参考訳（メタデータ） (2023-03-03T13:45:13Z)
• Self-Supervised Equivariant Regularization Reconciles Multiple Instance Learning: Joint Referable Diabetic Retinopathy Classification and Lesion Segmentation [3.1671604920729224]
  病変の出現は、糖尿病網膜症(rDR)と非参照性DRを区別する重要な手がかりである。 既存の大規模DRデータセットの多くは、ピクセルベースのアノテーションではなく、画像レベルのラベルのみを含む。 本稿では,自己教師付き同変学習と注目型マルチインスタンス学習を活用し,この問題に対処する。 我々はEyepacsデータセット上で広範囲な検証実験を行い、0.958の受信器動作特性曲線(AU ROC)の領域を達成し、現在の最先端アルゴリズムより優れている。
  論文  参考訳（メタデータ） (2022-10-12T06:26:05Z)
• The impact of using voxel-level segmentation metrics on evaluating multifocal prostate cancer localisation [8.035409264165937]
  Dice similarity coefficient (DSC) と Hausdorff distance (HD) は医用画像セグメンテーションの評価に広く用いられている。 本研究は、まず、前立腺がんの手術計画において、対象検出に使用されるものを適応する、新しい非対称検出指標を提案する。 今回我々は, DSCとHDの相互一致と相関について報告し, 2) ボクセルレベルDSCと病変レベルでのリコール制御精度について報告する。
  論文  参考訳（メタデータ） (2022-03-30T15:57:20Z)
• Supervision by Registration and Triangulation for Landmark Detection [70.13440728689231]
  本稿では,マルチビュー映像を用いた教師なし手法である登録・三角測量(srt)による監視を行い,ランドマーク検出器の精度と精度を向上させる。 ラベルのないデータを活用することで、検出者は大量のラベルのないデータから自由に学べる。
  論文  参考訳（メタデータ） (2021-01-25T02:48:21Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)
• Do Public Datasets Assure Unbiased Comparisons for Registration Evaluation? [96.53940048041248]
  画像誘導神経外科医の登録をベンチマークするために、2つのデータセットで手動で注釈付けされたランドマークをスクリーニングするために、ヴァリグラムを使用します。 Variograms を用いて, 潜在的に有意な症例を同定し, 経験者により検討した。
  論文  参考訳（メタデータ） (2020-03-20T20:04:47Z)

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。