論文の概要: Robust Detection Outcome: A Metric for Pathology Detection in Medical Images

• arxiv url: http://arxiv.org/abs/2303.01920v1
• Date: Fri, 3 Mar 2023 13:45:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 15:07:42.583638
• Title: Robust Detection Outcome: A Metric for Pathology Detection in Medical Images
• Title（参考訳）: ロバスト検出結果:医用画像における病理検出指標
• Authors: Felix Meissen, Philip M\"uller, Georgios Kaissis, Daniel Rueckert
• Abstract要約: ロバスト検出アウトカム(RoDeO)は、医学画像における病理診断アルゴリズムを評価するための新しい指標である。 RoDeOは、個々のエラーを直接評価し、現在のメトリクスよりも臨床ニーズを反映する。
• 参考スコア（独自算出の注目度）: 6.667150890634173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detection of pathologies is a fundamental task in medical imaging and the evaluation of algorithms that can perform this task automatically is crucial. However, current object detection metrics for natural images do not reflect the specific clinical requirements in pathology detection sufficiently. To tackle this problem, we propose Robust Detection Outcome (RoDeO); a novel metric for evaluating algorithms for pathology detection in medical images, especially in chest X-rays. RoDeO evaluates different errors directly and individually, and reflects clinical needs better than current metrics. Extensive evaluation on the ChestX-ray8 dataset shows the superiority of our metrics compared to existing ones. We released the code at https://github.com/FeliMe/RoDeO and published RoDeO as pip package (rodeometric).
• Abstract（参考訳）: 病理診断は医用画像の基本的な課題であり,このタスクを自動実行可能なアルゴリズムの評価が重要である。 しかし、現在の自然画像のオブジェクト検出基準は、病理診断における特定の臨床要件を十分に反映していない。 この問題を解決するために,特に胸部X線画像における病理診断アルゴリズムの評価のための新しい指標であるRoDeO(Robost Detection Outcome)を提案する。 RoDeOは、個々のエラーを直接評価し、現在のメトリクスよりも臨床ニーズを反映する。 chestx-ray8データセットの広範な評価は、既存のデータセットと比較して測定値が優れていることを示している。 コードをhttps://github.com/FeliMe/RoDeOでリリースし、RoDeOをpipパッケージとして公開しました。

関連論文リスト

• 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)
• 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)
• BMAD: Benchmarks for Medical Anomaly Detection [51.22159321912891]
  異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。 医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。 医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
  論文  参考訳（メタデータ） (2023-06-20T20:23:46Z)
• Explainable Image Quality Assessment for Medical Imaging [0.0]
  質の悪い医療画像は誤診につながる可能性がある。 本稿では,説明可能な画像品質評価システムを提案し,その考え方を2つの異なる目的に対して検証する。 本研究では,サリエンシ検出器の忠実度を測定するために,様々な手法を適用した。 我々は,NormGradがObject-CXRで0.853点,LVOTデータセットで0.611点,繰り返しポイントゲームで0.853点に達することで,他のサリエンシ検出器よりも顕著に向上したことを示す。
  論文  参考訳（メタデータ） (2023-03-25T14:18:39Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• nnDetection: A Self-configuring Method for Medical Object Detection [4.231636881498698]
  nnU-Netは、画像セグメンテーションの課題に対して、大きな成功を収めた。 本研究では,医療対象検出のための構成プロセスの体系化と自動化を行う。 結果の自己設定方法であるnnDetectionは、手動による介入なしに、任意の医学的検出問題に適応する。
  論文  参考訳（メタデータ） (2021-06-01T21:55:03Z)
• Learning from Suspected Target: Bootstrapping Performance for Breast Cancer Detection in Mammography [6.323318523772466]
  対象領域の選択と訓練を行う新しいサンプリング手順とともに,新しいトップ可能性損失を導入する。 まず,提案手法をプライベートな高密度マンモグラフィーデータセット上で検証する。 以上の結果から,本手法は偽陽性率を大幅に低減し,質量型癌検出では0.25倍の特異性を示した。
  論文  参考訳（メタデータ） (2020-03-01T09:04:24Z)

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。