論文の概要: Towards a Guideline for Evaluation Metrics in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2202.05273v1
• Date: Thu, 10 Feb 2022 13:38:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-14 15:20:42.617325
• Title: Towards a Guideline for Evaluation Metrics in Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションにおける評価基準の策定に向けて
• Authors: Dominik M\"uller, I\~naki Soto-Rey and Frank Kramer
• Abstract要約: 本研究は、医療画像分割評価のための以下の指標の概要と解釈ガイドを提供する。 要約として,標準化された医用画像分割評価のためのガイドラインを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the last decade, research on artificial intelligence has seen rapid growth with deep learning models, especially in the field of medical image segmentation. Various studies demonstrated that these models have powerful prediction capabilities and achieved similar results as clinicians. However, recent studies revealed that the evaluation in image segmentation studies lacks reliable model performance assessment and showed statistical bias by incorrect metric implementation or usage. Thus, this work provides an overview and interpretation guide on the following metrics for medical image segmentation evaluation in binary as well as multi-class problems: Dice similarity coefficient, Jaccard, Sensitivity, Specificity, Rand index, ROC curves, Cohen's Kappa, and Hausdorff distance. As a summary, we propose a guideline for standardized medical image segmentation evaluation to improve evaluation quality, reproducibility, and comparability in the research field.
• Abstract（参考訳）: 過去10年間、人工知能の研究は、特に医療画像セグメンテーションの分野で、ディープラーニングモデルによって急速に成長してきた。 様々な研究により、これらのモデルには強力な予測能力があり、臨床医と同様の結果が得られた。 しかし,近年の研究では,画像分割による評価は信頼性の高いモデル性能評価を欠き,不正確な測定や使用による統計的バイアスがみられた。 そこで本研究では,2進法および多クラス問題として,Dice similarity coefficient, Jaccard, Sensitivity, Specificity, Rand Indexs, ROC curves, Cohen's Kappa, Hausdorff distance の医療画像セグメンテーション評価指標の概要と解釈ガイドを提供する。 そこで,本稿では,標準化された医用画像セグメンテーション評価のためのガイドラインを提案し,評価品質,再現性,コンパラビリティを向上させる。

関連論文リスト

• EyeBench: A Call for More Rigorous Evaluation of Retinal Image Enhancement [14.724629346280402]
  生成モデルは ファンドス画像の 増強に大きく成功しました これらのモデルの評価は依然としてかなりの課題である。 臨床ニーズに合わせて拡張モデルを調整するための洞察を提供するため,新しい総合ベンチマークであるEyeBenchを提案する。
  論文  参考訳（メタデータ） (2025-02-20T04:56:03Z)
• The Skin Game: Revolutionizing Standards for AI Dermatology Model Comparison [0.6144680854063939]
  皮膚画像分類における深層学習アプローチは有望な結果を示しているが、適切な評価を妨げる重要な方法論的課題に直面している。 本稿では、皮膚疾患分類研究における現在の方法論の体系的分析を行い、データ準備、強化戦略、パフォーマンス報告におけるかなりの不整合を明らかにした。 本稿では、厳密なデータ準備、系統的誤り解析、異なる画像タイプのための特別なプロトコルを強調し、モデル開発、評価、臨床展開のための包括的な方法論的勧告を提案する。
  論文  参考訳（メタデータ） (2025-02-04T17:15:36Z)
• Pitfalls of topology-aware image segmentation [81.19923502845441]
  我々は、不適切な接続選択、見過ごされたトポロジカルアーティファクト、評価指標の不適切な使用を含むモデル評価における致命的な落とし穴を同定する。 本稿では,トポロジを意識した医用画像分割手法の公正かつ堅牢な評価基準を確立するための,行動可能なレコメンデーションセットを提案する。
  論文  参考訳（メタデータ） (2024-12-19T08:11:42Z)
• Content-Based Image Retrieval for Multi-Class Volumetric Radiology Images: A Benchmark Study [0.6249768559720122]
  非医用画像上の事前訓練された教師なしモデルからの埋め込みに対して、医用画像上の事前訓練された教師なしモデルからの埋め込みをベンチマークした。 ボリューム画像の検索には,テキストマッチングにインスパイアされた遅延インタラクションのランク付け手法を採用する。
  論文  参考訳（メタデータ） (2024-05-15T13:34:07Z)
• Beyond Images: An Integrative Multi-modal Approach to Chest X-Ray Report Generation [47.250147322130545]
  画像からテキストまでの放射線学レポート生成は,医療画像の発見を記述した放射線学レポートを自動生成することを目的としている。 既存の方法の多くは画像データのみに焦点をあてており、他の患者情報は放射線科医に公開されていない。 胸部X線レポートを生成するための多モードディープニューラルネットワークフレームワークを,非構造的臨床ノートとともにバイタルサインや症状などの構造化された患者データを統合することで提案する。
  論文  参考訳（メタデータ） (2023-11-18T14:37:53Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Evaluation of importance estimators in deep learning classifiers for Computed Tomography [1.6710577107094642]
  ディープニューラルネットワークの解釈可能性はしばしば入力特徴の重要性を推定することに依存する。 SmoothGradは2つのバージョンが忠実度とROCランキングを上回り、Integrated GradientsとSmoothGradはDSC評価に優れていた。 モデル中心 (忠実度) と人間中心 (ROC, DSC) 評価の間には重要な相違があった。
  論文  参考訳（メタデータ） (2022-09-30T11:57:25Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• 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)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。