論文の概要: Variability Matters : Evaluating inter-rater variability in histopathology for robust cell detection

• arxiv url: http://arxiv.org/abs/2210.05175v1
• Date: Tue, 11 Oct 2022 06:24:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 16:13:02.796859
• Title: Variability Matters : Evaluating inter-rater variability in histopathology for robust cell detection
• Title（参考訳）: 変異因子 : 頑健な細胞検出のための病理組織学的検討
• Authors: Cholmin Kang, Chunggi Lee, Heon Song, Minuk Ma and S ergio Pereira
• Abstract要約: 本研究は,120名の病理組織学者を対象に,細胞抗原の多様性について大規模に検討した。 また, 格子間変動を犠牲にしてデータサイズを増大させることが, 細胞検出における優れた性能モデルに繋がるとは限らないことを示した。 これらの結果から,アノテータの評価は病理組織学領域の基本的予算問題に対処するのに役立つ可能性が示唆された。
• 参考スコア（独自算出の注目度）: 3.2873782624127843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large annotated datasets have been a key component in the success of deep learning. However, annotating medical images is challenging as it requires expertise and a large budget. In particular, annotating different types of cells in histopathology suffer from high inter- and intra-rater variability due to the ambiguity of the task. Under this setting, the relation between annotators' variability and model performance has received little attention. We present a large-scale study on the variability of cell annotations among 120 board-certified pathologists and how it affects the performance of a deep learning model. We propose a method to measure such variability, and by excluding those annotators with low variability, we verify the trade-off between the amount of data and its quality. We found that naively increasing the data size at the expense of inter-rater variability does not necessarily lead to better-performing models in cell detection. Instead, decreasing the inter-rater variability with the expense of decreasing dataset size increased the model performance. Furthermore, models trained from data annotated with lower inter-labeler variability outperform those from higher inter-labeler variability. These findings suggest that the evaluation of the annotators may help tackle the fundamental budget issues in the histopathology domain
• Abstract（参考訳）: 大規模な注釈付きデータセットは、ディープラーニングの成功の鍵となるコンポーネントである。 しかし、医用画像の注釈付けには専門知識と予算が必要とされるため、難しい。 特に、病理組織学的に異なる種類の細胞に注釈を付けると、タスクのあいまいさにより、高い層間および層内変動が生じる。 この設定下では、アノテーションの可変性とモデル性能の関係はほとんど注目されていない。 本研究は,120名の病理学者の細胞アノテーションの多様性と,それがディープラーニングモデルの性能に与える影響について,大規模な研究である。 このような変動性を測定する手法を提案し,その変動性の低いアノテータを除外することにより,データ量と品質のトレードオフを検証する。 その結果,細胞間変動を犠牲にしてデータサイズを意図的に増加させることは,必ずしも細胞検出に優れたモデルをもたらすものではないことがわかった。 代わりに、データセットサイズを減らし、ラタ間変動を減少させることで、モデルのパフォーマンスが向上した。 さらに、ラベル間変動率の低いデータからトレーニングされたモデルは、ラベル間変動率の高いデータよりも優れている。 以上より, 注釈者の評価は病理組織学領域の基本予算問題に取り組むのに役立つ可能性が示唆された。

関連論文リスト

• Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
  アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。 我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。 本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation [36.136619420474766]
  本稿では,専門家アノテーションの変動を正確に捉える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PULASkiを提案する。 提案手法では,条件付き変分オートエンコーダ構造における統計的距離に基づいて,損失関数を改良した。 また,本手法は多ラベルセグメンテーションタスクにも適用可能であり,血行動態モデリングなどの下流タスクにも有用である。
  論文  参考訳（メタデータ） (2023-12-25T10:31:22Z)
• Variable Importance in High-Dimensional Settings Requires Grouping [19.095605415846187]
  Conditional Permutation Importance (CPI)は、そのような場合のPIの制限をバイパスする。 クラスタリングまたはいくつかの事前知識を介して統計的に変数をグループ化すると、ある程度のパワーバックが得られる。 重み付けにより拡張された手法は,高相関なグループであっても,型Iエラーを制御可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-18T00:21:47Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• How inter-rater variability relates to aleatoric and epistemic uncertainty: a case study with deep learning-based paraspinal muscle segmentation [1.9624082208594296]
  本研究は, 層間変動が学習アルゴリズムの信頼性に与える影響について検討する。 本研究は,ラベル融合戦略とDLモデルの選択による,ラター間の変動性と不確実性の間の相互作用を明らかにする。
  論文  参考訳（メタデータ） (2023-08-14T06:40:20Z)
• Rethinking Mitosis Detection: Towards Diverse Data and Feature Representation [30.882319057927052]
  ミトコンドリア検出のための新しい一般化可能なフレームワーク(MitDet)を提案する。 提案手法は,いくつかの一般的なミトーシス検出データセットにおいて,SOTAのアプローチよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-07-12T03:33:11Z)
• Analyzing the Effects of Handling Data Imbalance on Learned Features from Medical Images by Looking Into the Models [50.537859423741644]
  不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。 ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
  論文  参考訳（メタデータ） (2022-04-04T09:38:38Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Embracing the Disharmony in Heterogeneous Medical Data [12.739380441313022]
  医療画像データの不均一性は、しばしば機械学習の文脈でドメイン不変性を用いて取り組まれる。 本論文は異種性を受け入れ,マルチタスク学習問題として扱う。 提案手法は,主分類タスクにおけるデータセット間の分類精度を5～30%向上することを示す。
  論文  参考訳（メタデータ） (2021-03-23T21:36:39Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。