論文の概要: Bayesian approaches for Quantifying Clinicians' Variability in Medical Image Quantification

• arxiv url: http://arxiv.org/abs/2207.01868v2
• Date: Wed, 6 Jul 2022 06:14:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 11:59:50.472546
• Title: Bayesian approaches for Quantifying Clinicians' Variability in Medical Image Quantification
• Title（参考訳）: 医用画像量化における臨床医の多様性の定量化のためのベイズ的アプローチ
• Authors: Jaeik Jeon, Yeonggul Jang, Youngtaek Hong, Hackjoon Shim, Sekeun Kim
• Abstract要約: 深層ニューラルネットワークによってパラメータ化されたベイズ予測分布は,臨床医のイントラ変動を近似できることを示した。 臨床測定の不確実性を提供することにより,医療画像の定量的分析における新たな視点を示す。
• 参考スコア（独自算出の注目度）: 0.16314780449435543
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical imaging, including MRI, CT, and Ultrasound, plays a vital role in clinical decisions. Accurate segmentation is essential to measure the structure of interest from the image. However, manual segmentation is highly operator-dependent, which leads to high inter and intra-variability of quantitative measurements. In this paper, we explore the feasibility that Bayesian predictive distribution parameterized by deep neural networks can capture the clinicians' inter-intra variability. By exploring and analyzing recently emerged approximate inference schemes, we evaluate whether approximate Bayesian deep learning with the posterior over segmentations can learn inter-intra rater variability both in segmentation and clinical measurements. The experiments are performed with two different imaging modalities: MRI and ultrasound. We empirically demonstrated that Bayesian predictive distribution parameterized by deep neural networks could approximate the clinicians' inter-intra variability. We show a new perspective in analyzing medical images quantitatively by providing clinical measurement uncertainty.
• Abstract（参考訳）: MRI、CT、超音波などの医療画像は臨床診断において重要な役割を果たす。 画像から興味の構造を測定するためには正確なセグメンテーションが不可欠である。 しかし、手動のセグメンテーションは演算子に依存しており、測定値のインターおよびイントラバリアビリティが高い。 本稿では,ディープニューラルネットワークによってパラメータ化されたベイズ予測分布が臨床医のイントラ変動を捉える可能性について検討する。 最近出現した近似推論スキームの探索と解析により,後方分割による近似ベイズ深層学習が,セグメンテーションと臨床計測の両方においてイントラ・リサー間変動を学習できるかどうかを評価できる。 実験はMRIと超音波の2つの異なる画像モードで実施される。 深層ニューラルネットワークによってパラメータ化されたベイズ予測分布が臨床医のイントラ変動を近似できることを実証的に実証した。 臨床計測の不確実性を提供することにより, 医用画像の定量的解析に新たな展望を示す。

関連論文リスト

• MedUHIP: Towards Human-In-the-Loop Medical Segmentation [5.520419627866446]
  医用画像のセグメンテーションは、固有の不確実性によって特に複雑である。 我々はtextbfuncertainty-aware モデルと textbf Human-in-the-loop 相互作用を統合する新しいアプローチを提案する。 提案手法は,決定論的および不確実性を考慮したモデルよりも優れたセグメンテーション能力を示す。
  論文  参考訳（メタデータ） (2024-08-03T01:06:02Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• A hybrid approach for improving U-Net variants in medical image segmentation [0.0]
  医学的イメージを様々なセグメントや興味のある領域に分割する技術は、医学的イメージセグメンテーションとして知られている。 生成されたセグメント画像は、診断、手術計画、治療評価など、さまざまな用途に利用することができる。 本研究の目的は,深層的に分離可能な畳み込みを用いたネットワークパラメータ要求の低減である。
  論文  参考訳（メタデータ） (2023-07-31T07:43:45Z)
• 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)
• Multi-Modal Evaluation Approach for Medical Image Segmentation [4.989480853499916]
  本稿では,異なるセグメンテーション手法の有効性を評価するために,新しいマルチモーダル評価(MME)手法を提案する。 本稿では, 検出特性, 境界アライメント, 均一性, 総体積, 相対体積など, 関連性, 解釈可能な新しい特徴を紹介する。 提案するアプローチはオープンソースで,使用することができる。
  論文  参考訳（メタデータ） (2023-02-08T15:31:33Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Variational Inference for Quantifying Inter-observer Variability in Segmentation of Anatomical Structures [12.138198227748353]
  ほとんどのセグメンテーション法は、単純にイメージからその単一セグメンテーションマップへのマッピングをモデル化し、アノテータの不一致を考慮に入れない。 特定のMR画像から得られる可視分割写像の分布をモデル化する新しい変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-18T16:33:33Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Spinal Metastases Segmentation in MR Imaging using Deep Convolutional Neural Networks [0.0]
  本研究の目的は,深層学習を用いた診断MR画像における脊髄転移の分節化である。 U-Net様アーキテクチャを用いて40例の臨床検査を行った。 専門的な注釈付き病変のセグメンテーションと比較すると、Diceの平均スコアは77.6%、平均感度は78.9%という有望な結果を得た。
  論文  参考訳（メタデータ） (2020-01-08T10:59:31Z)

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。