論文の概要: Learning from Multiple Expert Annotators for Enhancing Anomaly Detection
in Medical Image Analysis
- arxiv url: http://arxiv.org/abs/2203.10611v1
- Date: Sun, 20 Mar 2022 17:57:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-23 08:04:58.473951
- Title: Learning from Multiple Expert Annotators for Enhancing Anomaly Detection
in Medical Image Analysis
- Title(参考訳): 医用画像解析における異常検出の強化のための複数のエキスパートアノテーションからの学習
- Authors: Khiem H. Le, Tuan V. Tran, Hieu H. Pham, Hieu T. Nguyen, Tung T. Le,
Ha Q. Nguyen
- Abstract要約: 医用画像解析において、複数の専門家アノテータは「地上の真実ラベル」に関する主観的な推定をしばしば生成する。
深層学習に基づく検知器の訓練のために,複数の放射線学の専門家によるアノテーションを組み合わせた簡易かつ効果的な手法を提案する。
- 参考スコア(独自算出の注目度): 0.31317409221921133
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Building an accurate computer-aided diagnosis system based on data-driven
approaches requires a large amount of high-quality labeled data. In medical
imaging analysis, multiple expert annotators often produce subjective estimates
about "ground truth labels" during the annotation process, depending on their
expertise and experience. As a result, the labeled data may contain a variety
of human biases with a high rate of disagreement among annotators, which
significantly affect the performance of supervised machine learning algorithms.
To tackle this challenge, we propose a simple yet effective approach to combine
annotations from multiple radiology experts for training a deep learning-based
detector that aims to detect abnormalities on medical scans. The proposed
method first estimates the ground truth annotations and confidence scores of
training examples. The estimated annotations and their scores are then used to
train a deep learning detector with a re-weighted loss function to localize
abnormal findings. We conduct an extensive experimental evaluation of the
proposed approach on both simulated and real-world medical imaging datasets.
The experimental results show that our approach significantly outperforms
baseline approaches that do not consider the disagreements among annotators,
including methods in which all of the noisy annotations are treated equally as
ground truth and the ensemble of different models trained on different label
sets provided separately by annotators.
- Abstract(参考訳): データ駆動アプローチに基づく正確なコンピュータ支援診断システムを構築するには、大量の高品質のラベル付きデータが必要である。
医用画像解析では、複数の専門家が、その専門知識や経験に応じて、アノテーションプロセス中に「根拠真理ラベル」に関する主観的な評価を行うことが多い。
その結果、ラベル付きデータは、注釈者間の不一致率が高い様々な人間のバイアスを含み、教師付き機械学習アルゴリズムの性能に大きな影響を及ぼす可能性がある。
この課題に取り組むために,複数の放射線医学専門家の注釈を組み合わせることで,医療スキャンで異常を検出することを目的とした深層学習に基づく検出器を訓練する手法を提案する。
提案手法はまず,トレーニング例の真理アノテーションと信頼度を推定する。
推定アノテーションとそのスコアは、異常な発見をローカライズするために、再重み付き損失関数を持つディープラーニング検出器のトレーニングに使用される。
シミュレーションおよび実世界の医療画像データセットを用いて,提案手法の広範な実験的評価を行う。
実験の結果,提案手法はアノテーション間の不一致を考慮しないベースラインアプローチを著しく上回っており,各アノテーションを基底的真理として等しく扱う手法や,アノテーションによって別々に提供される異なるラベル集合で訓練された異なるモデルのアンサンブルを含む。
関連論文リスト
- A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳(メタデータ) (2024-06-05T13:40:07Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - Tackling the Incomplete Annotation Issue in Universal Lesion Detection
Task By Exploratory Training [10.627977735890191]
複数の臓器の病変を医用画像上で検出することを目的としているため、ユニバーサル病変検出は臨床実践に非常に有用である。
ディープラーニング手法は有望な結果を示しているが、トレーニングには大量の注釈付きデータを必要とする。
そこで,教師の予測と不完全なアノテーションを組み合わせることで,学生の学習を指導する教師学生検出モデルを提案する。
論文 参考訳(メタデータ) (2023-09-23T08:44:07Z) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳(メタデータ) (2023-09-05T19:45:09Z) - Discrimination of Radiologists Utilizing Eye-Tracking Technology and
Machine Learning: A Case Study [0.9142067094647588]
本研究では,効率的な幾何アライメントのためのバイナリ固定データに基づく新しい離散化特徴符号化を提案する。
眼球固定データの符号化された特徴は、教員と研修生の放射線技師を識別するために機械学習分類器によって使用される。
論文 参考訳(メタデータ) (2023-08-04T23:51:47Z) - Improving Object Detection in Medical Image Analysis through Multiple
Expert Annotators: An Empirical Investigation [0.3670422696827525]
本研究は, 医用画像解析における異常検出における機械学習アルゴリズムの利用について論じる。
さまざまなレベルの専門知識を持つ複数のアノテーションからアノテーションを集約する,シンプルで効果的なアプローチを導入する。
次に、複数のアノテーションから隠れラベルを推定し、再重み付き損失関数を用いて検出性能を向上させることにより、異常検出タスクにおける予測モデルの効率を向上させることを目的とする。
論文 参考訳(メタデータ) (2023-03-29T07:34:20Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Self-Supervised-RCNN for Medical Image Segmentation with Limited Data
Annotation [0.16490701092527607]
ラベルなしMRIスキャンによる自己教師付き事前学習に基づく新たなディープラーニング学習戦略を提案する。
我々の事前学習アプローチはまず、ラベルのない画像のランダム領域に異なる歪みをランダムに適用し、次に歪みの種類と情報の損失を予測する。
異なる事前学習シナリオと微調整シナリオにおけるセグメンテーション課題に対する提案手法の有効性を評価する。
論文 参考訳(メタデータ) (2022-07-17T13:28:52Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳(メタデータ) (2021-03-07T03:10:32Z) - 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)
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。