論文の概要: Opinions Vary? Diagnosis First!

• arxiv url: http://arxiv.org/abs/2202.06505v1
• Date: Mon, 14 Feb 2022 06:33:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-15 16:00:05.183743
• Title: Opinions Vary? Diagnosis First!
• Title（参考訳）: 意見は違う? 診断ファースト!
• Authors: Junde Wu, Huihui Fang, Binghong Wu, Dalu Yang, Yehui Yang, Yanwu Xu
• Abstract要約: 医用画像のセグメンテーションでは、画像は通常、いくつかの異なる臨床専門家によって注釈付けされる。 コンピュータビジョンモデルは、各インスタンスに固有の基盤構造が存在すると仮定することが多い。 診断結果を金本位とみなし,マルチレイタセグメンテーションラベルに基づいてセグメンテーションマスクを推定するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.39322899965008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In medical image segmentation, images are usually annotated by several different clinical experts. This clinical routine helps to mitigate the personal bias. However, Computer Vision models often assume there has a unique ground-truth for each of the instance. This research gap between Computer Vision and medical routine is commonly existed but less explored by the current research.In this paper, we try to answer the following two questions: 1. How to learn an optimal combination of the multiple segmentation labels? and 2. How to estimate this segmentation mask from the raw image? We note that in clinical practice, the image segmentation mask usually exists as an auxiliary information for disease diagnosis. Adhering to this mindset, we propose a framework taking the diagnosis result as the gold standard, to estimate the segmentation mask upon the multi-rater segmentation labels, named DiFF (Diagnosis First segmentation Framework).DiFF is implemented by two novelty techniques. First, DFSim (Diagnosis First Simulation of gold label) is learned as an optimal combination of multi-rater segmentation labels for the disease diagnosis. Then, toward estimating DFSim mask from the raw image, we further propose T\&G Module (Take and Give Module) to instill the diagnosis knowledge into the segmentation network. The experiments show that compared with commonly used majority vote, the proposed DiFF is able to segment the masks with 6% improvement on diagnosis AUC score, which also outperforms various state-of-the-art multi-rater methods by a large margin.
• Abstract（参考訳）: 医用画像セグメンテーションでは、画像は通常、いくつかの異なる臨床専門家によって注釈付けされる。 この臨床ルーチンは個人のバイアスを軽減するのに役立つ。 しかし、コンピュータビジョンモデルは、各インスタンスに固有の基盤構造が存在すると仮定することが多い。 コンピュータビジョンと医療ルーチンの間のこの研究ギャップは一般的に存在するが、現在の研究ではあまり解明されていない。 1. 複数のセグメンテーションラベルの最適な組み合わせを学習するには? そして 2.このセグメンテーションマスクを原画像から推定する方法 臨床では,画像分割マスクが診断補助情報として通常存在することに留意する。 この考え方に固執して、診断結果をゴールド標準として、マルチレートセグメンテーションラベル上のセグメンテーションマスクを推定するためのフレームワークdiff(diagnosis first segmentation framework)を提案する。 DiFFは2つのノベルティ技術によって実装されている。 まず, DFSim (Diagnosis First Simulation of Gold label) を, 診断のための多層セグメンテーションラベルの最適組み合わせとして検討した。 そして、生画像からDFSimマスクを推定するために、さらにT&Gモジュール(Take and Give Module)を提案し、診断知識をセグメンテーションネットワークに注入する。 実験の結果、一般的に使用されている多数決と比較すると、提案されたDiFFは、AUCスコアの6%の改善でマスクを分割することができ、また、最先端のマルチラター手法を大きなマージンで上回っていることがわかった。

関連論文リスト

• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• CUTS: A Deep Learning and Topological Framework for Multigranular Unsupervised Medical Image Segmentation [8.307551496968156]
  医用画像セグメンテーションのための教師なしディープラーニングフレームワークCUTSを提案する。 各画像に対して、画像内コントラスト学習と局所パッチ再構成による埋め込みマップを生成する。 CUTSは、様々な粒度の特徴をハイライトする粗い粒度のセグメンテーションを連続的に生成する。
  論文  参考訳（メタデータ） (2022-09-23T01:09:06Z)
• Calibrate the inter-observer segmentation uncertainty via diagnosis-first principle [45.29954184893812]
  本稿では, サーバ間セグメンテーションの不確実性を校正するための基準として, 診断第一原則を提案する。 さらに, 原画像からのTake and Give Modelto segment DF-GTを提案する。 実験の結果, 提案したDiFFは, 対応する疾患の診断を著しく促進できることがわかった。
  論文  参考訳（メタデータ） (2022-08-05T07:12:24Z)
• SeATrans: Learning Segmentation-Assisted diagnosis model via Transforme [13.63128987400635]
  本稿では,視覚支援型診断変換器(SeATrans)を提案する。 まず、各低レベル診断特徴とマルチスケールセグメンテーション特徴とを相関させる非対称なマルチスケールインタラクション戦略を提案する。 セグメンテーション-診断相互作用をモデル化するために、SeAブロックはまず、エンコーダを介してセグメンテーション情報に基づいて診断特徴を埋め込み、デコーダによりその埋め込みを診断特徴空間に戻す。
  論文  参考訳（メタデータ） (2022-06-12T15:10:33Z)
• Learning self-calibrated optic disc and cup segmentation from multi-rater annotations [7.104669952770345]
  マルチレータアノテーションからOD/OCセグメンテーションを学習する新しいニューラルネットワークフレームワークを提案する。 提案手法は,両タスクの相互改善を実現し,最終的に改良されたセグメンテーション結果を得る。
  論文  参考訳（メタデータ） (2022-06-10T13:35:07Z)
• Act Like a Radiologist: Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection [49.14070210387509]
  マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。 AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。 2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-05-21T06:48:34Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)

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。