論文の概要: Calibrate the inter-observer segmentation uncertainty via
diagnosis-first principle
- arxiv url: http://arxiv.org/abs/2208.03016v1
- Date: Fri, 5 Aug 2022 07:12:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-08 13:05:57.354115
- Title: Calibrate the inter-observer segmentation uncertainty via
diagnosis-first principle
- Title（参考訳）: 診断第一原理によるオブザーバ間セグメンテーションの不確かさの校正
- Authors: Junde Wu, Huihui Fang, Hoayi Xiong, Lixin Duan, Mingkui Tan, Weihua
Yang, Huiying Liu, Yanwu Xu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 45.29954184893812
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: On the medical images, many of the tissues/lesions may be ambiguous. That is
why the medical segmentation is typically annotated by a group of clinical
experts to mitigate the personal bias. However, this clinical routine also
brings new challenges to the application of machine learning algorithms.
Without a definite ground-truth, it will be difficult to train and evaluate the
deep learning models. When the annotations are collected from different
graders, a common choice is majority vote. However such a strategy ignores the
difference between the grader expertness. In this paper, we consider the task
of predicting the segmentation with the calibrated inter-observer uncertainty.
We note that in clinical practice, the medical image segmentation is usually
used to assist the disease diagnosis. Inspired by this observation, we propose
diagnosis-first principle, which is to take disease diagnosis as the criterion
to calibrate the inter-observer segmentation uncertainty. Following this idea,
a framework named Diagnosis First segmentation Framework (DiFF) is proposed to
estimate diagnosis-first segmentation from the raw images.Specifically, DiFF
will first learn to fuse the multi-rater segmentation labels to a single
ground-truth which could maximize the disease diagnosis performance. We dubbed
the fused ground-truth as Diagnosis First Ground-truth (DF-GT).Then, we further
propose Take and Give Modelto segment DF-GT from the raw image. We verify the
effectiveness of DiFF on three different medical segmentation tasks: OD/OC
segmentation on fundus images, thyroid nodule segmentation on ultrasound
images, and skin lesion segmentation on dermoscopic images. Experimental
results show that the proposed DiFF is able to significantly facilitate the
corresponding disease diagnosis, which outperforms previous state-of-the-art
multi-rater learning methods.
- Abstract（参考訳）: 医用画像では、多くの組織/結節が曖昧である可能性がある。
そのため、医学的なセグメンテーションは通常、個人バイアスを軽減するために臨床専門家のグループによってアノテートされる。
しかし、この臨床ルーチンは、機械学習アルゴリズムの適用にも新たな課題をもたらす。
一定の基盤構造がなければ,ディープラーニングモデルをトレーニングし,評価することは難しいだろう。
異なるグレーダからアノテーションを収集する場合、共通の選択は多数決である。
しかし、このような戦略は、学級の専門性の違いを無視する。
本稿では,キャリブレーションされたオブザーバ間不確実性を用いてセグメント化を予測するタスクについて検討する。
臨床検査では,診断支援に医用画像セグメンテーションが用いられることが多い。
この観察に触発されて,病状診断を診断基準とし,サーバ間セグメンテーションの不確かさを校正する,診断優先原則を提案する。
この考え方に従い、診断ファーストセグメンテーションフレームワーク(diff)というフレームワークを提案し、生画像から診断ファーストセグメンテーションを推定する。具体的には、diffはまず、マルチレートセグメンテーションラベルを単一のグランドルースに融合させることを学び、病気の診断性能を最大化する。
融解した接地トラスを診断ファースト接地トラス (DF-GT) と命名した。
さらに、生画像からTake and Give Modelto segment DF-GTを提案する。
基礎画像におけるOD/OCセグメンテーション,超音波画像における甲状腺結節セグメンテーション,皮膚病変セグメンテーションの3つの異なる医療セグメンテーションにおけるDiFFの有効性を検証する。
実験結果から,提案したDiFFは,従来のマルチラター学習法よりも優れる疾患診断を著しく促進できることが示された。
関連論文リスト
- COIN: Counterfactual inpainting for weakly supervised semantic segmentation for medical images [3.5418498524791766]
本研究は, 新規なカウンターファクト・インパインティング・アプローチ(COIN)の開発である。
COINは、予測された分類ラベルを生成モデルを用いて異常から正常に反転させる。
本手法の有効性は,エストニアのタルツ大学病院から取得したCT画像から,合成標的と実際の腎腫瘍を分離することによって実証される。
論文 参考訳（メタデータ） (2024-04-19T12:09:49Z) - MedIAnomaly: A comparative study of anomaly detection in medical images [26.319602363581442]
異常検出(AD)は、期待される正常なパターンから逸脱する異常なサンプルを検出することを目的としている。
医療用AD法は多岐にわたるが, 公平かつ包括的評価の欠如が指摘されている。
本稿では,比較を統一したベンチマークを構築した。
論文 参考訳（メタデータ） (2024-04-06T06:18:11Z) - Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
医用画像のテキストレポートの代替としてアイトラッキングを提案する。
医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。
対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
論文 参考訳（メタデータ） (2023-12-11T02:27:45Z) - 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) - 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) - 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) - Opinions Vary? Diagnosis First! [5.39322899965008]
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。
論文 参考訳（メタデータ） (2022-02-14T06:33:05Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - Explainable Disease Classification via weakly-supervised segmentation [4.154485485415009]
CAD(Computer Aided Diagnosis)に対するディープラーニングアプローチは、画像分類(Normal or Abnormal)問題として問題を引き起こすのが一般的である。
本稿では,この問題を考察し,診断に先立ってエビデンスを探す臨床実践を模倣するアプローチを提案する。
提案法はマンモグラフィー画像から乳癌検出に適応する。
論文 参考訳（メタデータ） (2020-08-24T09:00:30Z) - 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。