論文の概要: An unobtrusive quality supervision approach for medical image annotation

• arxiv url: http://arxiv.org/abs/2211.06146v1
• Date: Fri, 11 Nov 2022 11:57:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 16:58:18.273334
• Title: An unobtrusive quality supervision approach for medical image annotation
• Title（参考訳）: 医用画像アノテーションの非侵襲的品質管理手法
• Authors: Sonja Kunzmann, Mathias \"Ottl, Prathmesh Madhu, Felix Denzinger, Andreas Maier
• Abstract要約: ユーザは、目に見えないデータを注釈付けして、不当にパフォーマンスを評価できる自動化システムを持つことが望ましい。 我々は, 条件付き生成逆数ネットワークと拡散モデルという, 合成された個々の細胞画像を生成する2つの方法を評価する。 ユーザーは52.12%の画像を検出できず、元の細胞を合成細胞に置き換える可能性を証明することができた。
• 参考スコア（独自算出の注目度）: 8.203076178571576
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Image annotation is one essential prior step to enable data-driven algorithms. In medical imaging, having large and reliably annotated data sets is crucial to recognize various diseases robustly. However, annotator performance varies immensely, thus impacts model training. Therefore, often multiple annotators should be employed, which is however expensive and resource-intensive. Hence, it is desirable that users should annotate unseen data and have an automated system to unobtrusively rate their performance during this process. We examine such a system based on whole slide images (WSIs) showing lung fluid cells. We evaluate two methods the generation of synthetic individual cell images: conditional Generative Adversarial Networks and Diffusion Models (DM). For qualitative and quantitative evaluation, we conduct a user study to highlight the suitability of generated cells. Users could not detect 52.12% of generated images by DM proofing the feasibility to replace the original cells with synthetic cells without being noticed.
• Abstract（参考訳）: 画像アノテーションは、データ駆動アルゴリズムを実現するための重要な前ステップである。 医用画像では、様々な疾患を堅牢に認識するためには、大きくて確実に注釈付きデータセットを持つことが不可欠である。 しかし、アノテータのパフォーマンスは大きく異なり、モデルトレーニングに影響を及ぼす。 したがって、しばしば複数のアノテータを使わなければならないが、それは高価でリソース集約である。 したがって、ユーザが無防備なデータをアノテートし、このプロセス中のパフォーマンスを控えめに評価する自動化システムを持つことが望ましい。 肺液細胞を示す全スライド画像(WSI)に基づくシステムについて検討した。 我々は, 条件付き生成逆数ネットワークと拡散モデル (DM) という, 合成個々の細胞画像を生成する2つの方法を評価する。 定量的・定量的評価のために, 生成細胞の適合性を明らかにするため, ユーザ調査を行った。 DMにより生成された画像の52.12%は検出できず、元の細胞を合成細胞に置き換える可能性が証明された。

関連論文リスト

• Style transfer as data augmentation: evaluating unpaired image-to-image translation models in mammography [0.0]
  深層学習モデルは乳がんをマンモグラムから検出することができる。 しかし, 過度に適合し, 一般性に欠ける課題は, 診療所での日常的な使用を妨げている。 データ拡張技術は、一般化性を改善するために使用することができる。
  論文  参考訳（メタデータ） (2025-02-04T16:52:45Z)
• Trustworthy image-to-image translation: evaluating uncertainty calibration in unpaired training scenarios [0.0]
  マンモグラフィスクリーニングは乳がんの検出に有効な方法であり、早期診断を容易にする。 ディープニューラルネットワークはいくつかの研究で有効であることが示されているが、その傾向は一般化と誤診のリスクをかなり残している。 汎用性を向上させるために、未ペア型ニューラルスタイル転送モデルに基づくデータ拡張スキームが提案されている。 3つのオープンアクセスマンモグラフィーデータセットと1つの非医療画像データセットから解析した画像パッチを用いて、それらの性能を評価する。
  論文  参考訳（メタデータ） (2025-01-29T11:09:50Z)
• DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
  DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。 我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。 そして、学習したアーティファクト検出器を第2段階に巻き込み、各画像に画素ごとの信頼マップを割り当てて拡散モデルをチューニングする。
  論文  参考訳（メタデータ） (2025-01-21T18:56:41Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。 遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• DiffBoost: Enhancing Medical Image Segmentation via Text-Guided Diffusion Model [3.890243179348094]
  医療応用のための堅牢で成功したディープラーニングモデルを開発するためには、大規模で大きな変動のある高品質なデータが不可欠である。 本稿では,DiffBoostと呼ばれる医用画像合成のための制御可能な拡散モデルを提案する。 近年の拡散確率モデルを利用して、現実的で多様な合成医用画像データを生成する。
  論文  参考訳（メタデータ） (2023-10-19T16:18:02Z)
• Realistic Data Enrichment for Robust Image Segmentation in Histopathology [2.248423960136122]
  拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。 本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
  論文  参考訳（メタデータ） (2023-04-19T09:52:50Z)
• Generation of Anonymous Chest Radiographs Using Latent Diffusion Models for Training Thoracic Abnormality Classification Systems [7.909848251752742]
  胸部X線写真における生体認証は、研究目的のためにそのようなデータの公開を妨げている。 この研究は、高品質なクラス条件画像の匿名胸部X線データセットを合成するために潜時拡散モデルを用いている。
  論文  参考訳（メタデータ） (2022-11-02T17:43:02Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。