論文の概要: Labeling instructions matter in biomedical image analysis

• arxiv url: http://arxiv.org/abs/2207.09899v1
• Date: Wed, 20 Jul 2022 13:51:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 13:50:04.756712
• Title: Labeling instructions matter in biomedical image analysis
• Title（参考訳）: 生体画像解析におけるラベル付け指示事項
• Authors: Tim R\"adsch, Annika Reinke, Vivienn Weru, Minu D. Tizabi, Nicholas Schreck, A. Emre Kavur, B\"unyamin Pekdemir, Tobias Ro{\ss}, Annette Kopp-Schneider, Lena Maier-Hein
• Abstract要約: 本稿では,ラベリング命令に関する最初の体系的研究とそのアノテーション品質への影響について述べる。 本研究は,バイオメディカル画像解析における品質基準の必要性に対する意識を高めるものである。
• 参考スコア（独自算出の注目度）: 0.2291611485058328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomedical image analysis algorithm validation depends on high-quality annotation of reference datasets, for which labeling instructions are key. Despite their importance, their optimization remains largely unexplored. Here, we present the first systematic study of labeling instructions and their impact on annotation quality in the field. Through comprehensive examination of professional practice and international competitions registered at the MICCAI Society, we uncovered a discrepancy between annotators' needs for labeling instructions and their current quality and availability. Based on an analysis of 14,040 images annotated by 156 annotators from four professional companies and 708 Amazon Mechanical Turk (MTurk) crowdworkers using instructions with different information density levels, we further found that including exemplary images significantly boosts annotation performance compared to text-only descriptions, while solely extending text descriptions does not. Finally, professional annotators constantly outperform MTurk crowdworkers. Our study raises awareness for the need of quality standards in biomedical image analysis labeling instructions.
• Abstract（参考訳）: バイオメディカル画像解析アルゴリズムの検証は、ラベル付け命令が鍵となる参照データセットの高品質アノテーションに依存する。 その重要性にもかかわらず、その最適化はほとんど未調査のままである。 ここでは,ラベリング命令に関する最初の体系的研究とその分野におけるアノテーション品質への影響について述べる。 MICCAI協会に登録された専門的実践や国際コンペティションの総合的な調査を通じて,アノテータの指示のラベル付けに対するニーズと現在の品質と可用性の相違が明らかになった。 専門家4社156名と,情報密度の異なる指示を用いたアマゾン・メカニカル・トルク(MTurk)のクラウドワーカー708名による注釈付き14,040枚の画像の分析から,サンプル画像を含むと,テキストのみの記述に比べてアノテーション性能が著しく向上するのに対し,テキスト記述のみの拡張はそうではないことがわかった。 最後に、プロの注釈家は常にmturkの群集を上回っている。 本研究は,バイオメディカル画像解析における品質基準の必要性に対する意識を高めるものである。

関連論文リスト

• BI-LAVA: Biocuration with Hierarchical Image Labeling through Active Learning and Visual Analysis [2.859324824091085]
  BI-LAVAは階層構造の科学画像を整理するシステムである。 イメージラベルの小さなセット、階層的なイメージ分類器のセット、そしてモデルビルダーが不完全なグランドトルースラベルを扱うのを助けるためにアクティブラーニングを使用する。 評価の結果,本手法は分類学におけるクラスの特徴を理解する上で,ドメインエキスパートを効果的に支援していることがわかった。
  論文  参考訳（メタデータ） (2023-08-15T19:36:19Z)
• DualCoOp++: Fast and Effective Adaptation to Multi-Label Recognition with Limited Annotations [79.433122872973]
  低ラベル体制における多ラベル画像認識は、大きな課題と実践的重要性の課題である。 我々は、何百万もの補助的な画像テキストペアで事前訓練されたテキストと視覚的特徴の強力なアライメントを活用する。 Evidence-guided Dual Context Optimization (DualCoOp++) という,効率的かつ効果的なフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-08-03T17:33:20Z)
• Learning to Exploit Temporal Structure for Biomedical Vision-Language Processing [53.89917396428747]
  視覚言語処理における自己教師あり学習は、画像とテキストのモダリティのセマンティックアライメントを利用する。 トレーニングと微調整の両方で利用できる場合、事前のイメージとレポートを明示的に説明します。 我々のアプローチはBioViL-Tと呼ばれ、テキストモデルと共同で訓練されたCNN-Transformerハイブリッドマルチイメージエンコーダを使用する。
  論文  参考訳（メタデータ） (2023-01-11T16:35:33Z)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• Can non-specialists provide high quality gold standard labels in challenging modalities? [2.9171340620613013]
  Supervised Deep Learningは多くのコンピュータビジョンタスクのパフォーマンススコアを支配している。 研究者が利用できる、注釈付き医療画像データの欠如。 初心者アノテータを用いた場合の時間的・コスト的意味について検討する。
  論文  参考訳（メタデータ） (2021-07-30T15:03:15Z)
• Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image Segmentation [6.889911520730388]
  限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。 我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。 我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-05-27T03:27:58Z)
• Every Annotation Counts: Multi-label Deep Supervision for Medical Image Segmentation [85.0078917060652]
  この障壁を克服する半弱教師付きセグメンテーションアルゴリズムを提案する。 このアプローチは,深層指導と生徒・教師モデルの新しい定式化に基づいている。 我々の新しいセグメンテーションのトレーニング体制は、完全にラベル付けされ、バウンディングボックスでマークされた画像、単にグローバルラベル、あるいは全くないイメージを柔軟に活用することで、高価なラベルの要件を94.22%削減することができる。
  論文  参考訳（メタデータ） (2021-04-27T14:51:19Z)
• Common Limitations of Image Processing Metrics: A Picture Story [58.83274952067888]
  本論文は, 画像レベルの分類, セマンティックセグメンテーション, インスタンスセグメンテーション, オブジェクト検出タスクと表現できるバイオメディカル画像解析問題に焦点を当てる。 現在のバージョンは、世界中の60以上の機関からの画像分析の専門家からなる国際コンソーシアムが実施するメトリクスに関するDelphiプロセスに基づいている。
  論文  参考訳（メタデータ） (2021-04-12T17:03:42Z)
• Pathological Image Segmentation with Noisy Labels [13.8002043402326]
  本稿では,各画素の異なる専門家のラベルの信頼性を考慮した新しいラベル再重み付けフレームワークを提案する。 我々はまた、モデルの重要領域への注力を促すために、事前知識として粗さを生かした新しい注目ヒートマップも考案した。
  論文  参考訳（メタデータ） (2021-03-20T03:36:06Z)
• A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision [62.4773770041279]
  そこで我々は,臓器と病変のセグメンテーションのための教師と学生のスタイルに基づくセミ教師付き学習フレームワークを開発した。 我々は,本モデルがバウンディングボックスの品質に対して堅牢であることを示し,フル教師付き学習手法と比較した性能を実現する。
  論文  参考訳（メタデータ） (2020-10-23T07:58:20Z)
• Learning Image Labels On-the-fly for Training Robust Classification Models [13.669654965671604]
  ノイズの多いアノテーション(例えば、異なるアルゴリズムベースのラベル付け子から)を一緒に利用し、相互に分類タスクの学習に役立てることができるかを示す。 メタトレーニングベースのラベルサンプリングモジュールは、追加のバックプロパゲーションプロセスを通じてモデル学習の恩恵を受けるラベルに出席するように設計されている。
  論文  参考訳（メタデータ） (2020-09-22T05:38:44Z)

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。