論文の概要: Deep Quality Estimation: Creating Surrogate Models for Human Quality Ratings

• arxiv url: http://arxiv.org/abs/2205.10355v1
• Date: Tue, 17 May 2022 10:32:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-29 20:27:04.527356
• Title: Deep Quality Estimation: Creating Surrogate Models for Human Quality Ratings
• Title（参考訳）: 深い品質評価:人間の品質評価のためのサロゲートモデルの作成
• Authors: Florian Kofler, Ivan Ezhov, Lucas Fidon, Izabela Horvath, Ezequiel de la Rosa, John LaMaster, Hongwei Li, Tom Finck, Suprosanna Shit, Johannes Paetzold, Spyridon Bakas, Marie Piraud, Jan Kirschke, Tom Vercauteren, Claus Zimmer, Benedikt Wiestler, Bjoern Menze
• Abstract要約: 複雑な多クラスセグメンテーション問題,特にBraTSアノテーションプロトコルに従ってグリオーマセグメンテーションを評価する。 トレーニングデータは、コンピュータ生成および手動の3Dアノテーションのために、1から6つの星のスケールで15人の神経放射線学者による品質評価を特徴としている。 誤差の範囲内でのセグメンテーションの質を、人間のレータ内信頼性に匹敵する程度に近似することができる。
• 参考スコア（独自算出の注目度）: 6.645279583701951
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human ratings are abstract representations of segmentation quality. To approximate human quality ratings on scarce expert data, we train surrogate quality estimation models. We evaluate on a complex multi-class segmentation problem, specifically glioma segmentation following the BraTS annotation protocol. The training data features quality ratings from 15 expert neuroradiologists on a scale ranging from 1 to 6 stars for various computer-generated and manual 3D annotations. Even though the networks operate on 2D images and with scarce training data, we can approximate segmentation quality within a margin of error comparable to human intra-rater reliability. Segmentation quality prediction has broad applications. While an understanding of segmentation quality is imperative for successful clinical translation of automatic segmentation quality algorithms, it can play an essential role in training new segmentation models. Due to the split-second inference times, it can be directly applied within a loss function or as a fully-automatic dataset curation mechanism in a federated learning setting.
• Abstract（参考訳）: 人間のレーティングはセグメンテーション品質の抽象表現である。 少ない専門家データに基づく人的品質評価を近似するために、代理品質推定モデルを訓練する。 複雑な多クラスセグメンテーション問題,特にBraTSアノテーションプロトコルに従ってグリオーマセグメンテーションを評価する。 トレーニングデータは、コンピュータ生成および手動3Dアノテーションのために、1から6つの星のスケールで15人の神経放射線学者による品質評価を特徴としている。 ネットワークは2d画像上で動作し,訓練データが少ない場合でも,人間のレート内信頼性に匹敵する誤差の範囲内でセグメンテーション品質を推定することができる。 セグメンテーションの品質予測は幅広い応用がある。 セグメンテーション品質の理解は、自動セグメンテーション品質アルゴリズムの臨床的翻訳の成功に不可欠であるが、新しいセグメンテーションモデルの訓練において重要な役割を果たす。 スプリット秒の推論時間のため、フェデレーション学習設定において、損失関数内または完全な自動データセットキュレーションメカニズムとして直接適用することができる。

関連論文リスト

• Quality assurance of organs-at-risk delineation in radiotherapy [7.698565355235687]
  放射線治療計画において,腫瘍標的と臓器の脱線は重要である。 自動セグメンテーションの品質保証は、まだ臨床実践において必要ではない。 提案手法は,一級分類フレームワークにおける残差ネットワークとアテンション機構を導入し,様々な種類のOAR輪郭誤差を高精度に検出することができた。
  論文  参考訳（メタデータ） (2024-05-20T02:32:46Z)
• FUSQA: Fetal Ultrasound Segmentation Quality Assessment [1.0819408603463427]
  分割品質評価に取り組むための簡易な胎児超音波品質評価(FUSQA)モデルを提案する。 そこで我々は、より正確な妊娠年齢推定のために、セグメンテーション品質評価プロセスを自動分類タスクとして定式化し、良質なセグメンテーションマスクと良質なセグメンテーションマスクを区別する。
  論文  参考訳（メタデータ） (2023-03-08T07:45:06Z)
• CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
  知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。 本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。 本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T15:22:01Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• An Automated Quality Evaluation Framework of Psychotherapy Conversations with Local Quality Estimates [38.841853815519734]
  CBTインタラクションの品質を自動評価する階層型フレームワークを提案する。 まず、セグメントレベルの(局所的な)品質スコアを予測するために、BERTを微調整する。 次に、双方向LSTMベースのニューラルネットワークへの低レベル入力としてセグメント埋め込みを使用し、セッションレベル(グローバル)の品質推定を予測します。
  論文  参考訳（メタデータ） (2021-06-15T07:18:30Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Quality-aware semi-supervised learning for CMR segmentation [2.9928692313705505]
  医用画像セグメンテーションのためのディープラーニングアルゴリズムを開発する上での課題の1つは、トレーニングデータの不足である。 本稿では,下流タスクのQCを用いて,CMRセグメンテーションネットワークの高品質な出力を同定する手法を提案する。 本質的にこれは、セグメンテーションネットワーク用のSSLの変種におけるトレーニングデータの品質向上を提供する。
  論文  参考訳（メタデータ） (2020-09-01T17:18:22Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• Deep Generative Model-based Quality Control for Cardiac MRI Segmentation [30.09405692032434]
  本稿では, 心臓MRI領域の品質管理のための, 深部生成モデルに基づく新しいフレームワークを提案する。 提案手法は,2つの公用心MRIデータセットに対して高い予測精度を実現する。
  論文  参考訳（メタデータ） (2020-06-23T23:15:54Z)
• Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
  我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。 本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。 我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
  論文  参考訳（メタデータ） (2020-06-06T06:48:40Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。