論文の概要: FUSQA: Fetal Ultrasound Segmentation Quality Assessment
- arxiv url: http://arxiv.org/abs/2303.04418v2
- Date: Tue, 15 Aug 2023 09:58:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 17:07:59.800618
- Title: FUSQA: Fetal Ultrasound Segmentation Quality Assessment
- Title(参考訳): FUSQA:胎児超音波のセグメンテーション品質評価
- Authors: Sevim Cengiz, Ibrahim Almakky, Mohammad Yaqub
- Abstract要約: 分割品質評価に取り組むための簡易な胎児超音波品質評価(FUSQA)モデルを提案する。
そこで我々は、より正確な妊娠年齢推定のために、セグメンテーション品質評価プロセスを自動分類タスクとして定式化し、良質なセグメンテーションマスクと良質なセグメンテーションマスクを区別する。
- 参考スコア(独自算出の注目度): 1.0819408603463427
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning models have been effective for various fetal ultrasound
segmentation tasks. However, generalization to new unseen data has raised
questions about their effectiveness for clinical adoption. Normally, a
transition to new unseen data requires time-consuming and costly quality
assurance processes to validate the segmentation performance post-transition.
Segmentation quality assessment efforts have focused on natural images, where
the problem has been typically formulated as a dice score regression task. In
this paper, we propose a simplified Fetal Ultrasound Segmentation Quality
Assessment (FUSQA) model to tackle the segmentation quality assessment when no
masks exist to compare with. We formulate the segmentation quality assessment
process as an automated classification task to distinguish between good and
poor-quality segmentation masks for more accurate gestational age estimation.
We validate the performance of our proposed approach on two datasets we collect
from two hospitals using different ultrasound machines. We compare different
architectures, with our best-performing architecture achieving over 90%
classification accuracy on distinguishing between good and poor-quality
segmentation masks from an unseen dataset. Additionally, there was only a
1.45-day difference between the gestational age reported by doctors and
estimated based on CRL measurements using well-segmented masks. On the other
hand, this difference increased and reached up to 7.73 days when we calculated
CRL from the poorly segmented masks. As a result, AI-based approaches can
potentially aid fetal ultrasound segmentation quality assessment and might
detect poor segmentation in real-time screening in the future.
- Abstract(参考訳): 深層学習モデルは様々な胎児超音波セグメンテーションタスクに有効である。
しかし、新たな未知のデータへの一般化は、臨床応用の有効性に関する疑問を提起している。
通常、新しい目に見えないデータへの遷移は、移行後のセグメンテーション性能を検証するのに時間を要する。
セグメンテーション品質評価の取り組みは自然画像に焦点を合わせており、その問題は通常、ダイススコア回帰タスクとして定式化されている。
本稿では,マスクが存在しない場合にセグメンテーション品質評価に取り組むために,簡易な胎児超音波セグメンテーション品質評価(FUSQA)モデルを提案する。
分別品質評価プロセスを,より正確な妊娠年齢推定のために,良質な分別マスクと低品質の分別マスクを区別するための自動分類タスクとして定式化する。
異なる超音波装置を用いて2つの病院から収集した2つのデータセットについて,提案手法の性能を検証する。
優れたセグメンテーションマスクと低い品質のセグメンテーションマスクを区別することで、90%以上の分類精度を達成しています。
さらに、医師が報告した妊娠年齢とCRL測定値との差は1.45日しかなかった。
一方,この差は,セグメンテーションの少ないマスクからcrlを計算した場合,最大7.73日にまで達した。
その結果、AIベースのアプローチは胎児超音波のセグメンテーションの品質評価に役立つ可能性があり、将来的にはリアルタイムスクリーニングにおけるセグメンテーションの低下を検出する可能性がある。
関連論文リスト
- Quality assurance of organs-at-risk delineation in radiotherapy [7.698565355235687]
放射線治療計画において,腫瘍標的と臓器の脱線は重要である。
自動セグメンテーションの品質保証は、まだ臨床実践において必要ではない。
提案手法は,一級分類フレームワークにおける残差ネットワークとアテンション機構を導入し,様々な種類のOAR輪郭誤差を高精度に検出することができた。
論文 参考訳(メタデータ) (2024-05-20T02:32:46Z) - 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) - A region and category confidence-based multi-task network for carotid
ultrasound image segmentation and classification [6.162577404860473]
超音波頸動脈プラーク分割と分類のためのマルチタスク学習フレームワーク(RCCM-Net)を提案する。
このフレームワークは、領域信頼モジュール(RCM)とサンプルカテゴリ信頼モジュール(CCM)を使用して、これらの2つのタスク間の相関を利用する。
提案手法は,既存のシングルタスクネットワークと比較してセグメンテーションと分類性能を両立させることができることを示す。
論文 参考訳(メタデータ) (2023-07-02T14:43:59Z) - 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) - Deep Quality Estimation: Creating Surrogate Models for Human Quality
Ratings [6.645279583701951]
複雑な多クラスセグメンテーション問題,特にBraTSアノテーションプロトコルに従ってグリオーマセグメンテーションを評価する。
トレーニングデータは、コンピュータ生成および手動の3Dアノテーションのために、1から6つの星のスケールで15人の神経放射線学者による品質評価を特徴としている。
誤差の範囲内でのセグメンテーションの質を、人間のレータ内信頼性に匹敵する程度に近似することができる。
論文 参考訳(メタデータ) (2022-05-17T10:32:27Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳(メタデータ) (2021-09-08T07:56:51Z) - Quality-aware semi-supervised learning for CMR segmentation [2.9928692313705505]
医用画像セグメンテーションのためのディープラーニングアルゴリズムを開発する上での課題の1つは、トレーニングデータの不足である。
本稿では,下流タスクのQCを用いて,CMRセグメンテーションネットワークの高品質な出力を同定する手法を提案する。
本質的にこれは、セグメンテーションネットワーク用のSSLの変種におけるトレーニングデータの品質向上を提供する。
論文 参考訳(メタデータ) (2020-09-01T17:18:22Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳(メタデータ) (2020-06-25T12:42:01Z) - Deep Generative Model-based Quality Control for Cardiac MRI Segmentation [30.09405692032434]
本稿では, 心臓MRI領域の品質管理のための, 深部生成モデルに基づく新しいフレームワークを提案する。
提案手法は,2つの公用心MRIデータセットに対して高い予測精度を実現する。
論文 参考訳(メタデータ) (2020-06-23T23:15:54Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳(メタデータ) (2020-03-23T14:35:08Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳(メタデータ) (2020-01-24T21:09:18Z)
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。