論文の概要: A quality assurance framework for real-time monitoring of deep learning
segmentation models in radiotherapy
- arxiv url: http://arxiv.org/abs/2305.11715v1
- Date: Fri, 19 May 2023 14:51:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-22 14:09:28.611052
- Title: A quality assurance framework for real-time monitoring of deep learning
segmentation models in radiotherapy
- Title（参考訳）: 放射線治療におけるディープラーニングセグメンテーションモデルのリアルタイムモニタリングのための品質保証フレームワーク
- Authors: Xiyao Jin, Yao Hao, Jessica Hilliard, Zhehao Zhang, Maria A. Thomas,
Hua Li, Abhinav K. Jha, Geoffrey D. Hugo
- Abstract要約: この研究は、品質保証フレームワークを確立するために、心臓のサブ構造セグメンテーションを例として用いている。
心電図(CT)画像と241例の心電図を用いたベンチマークデータセットを収集した。
訓練されたDenoising Autoencoder(DAE)と2つの手動特徴を利用して画像領域シフト検出器を開発した。
Dice similarity coefficient (DSC) を用いて患者ごとのセグメンテーション精度を予測するための回帰モデルを構築した。
- 参考スコア（独自算出の注目度）: 3.5752677591512487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To safely deploy deep learning models in the clinic, a quality assurance
framework is needed for routine or continuous monitoring of input-domain shift
and the models' performance without ground truth contours. In this work,
cardiac substructure segmentation was used as an example task to establish a QA
framework. A benchmark dataset consisting of Computed Tomography (CT) images
along with manual cardiac delineations of 241 patients were collected,
including one 'common' image domain and five 'uncommon' domains. Segmentation
models were tested on the benchmark dataset for an initial evaluation of model
capacity and limitations. An image domain shift detector was developed by
utilizing a trained Denoising autoencoder (DAE) and two hand-engineered
features. Another Variational Autoencoder (VAE) was also trained to estimate
the shape quality of the auto-segmentation results. Using the extracted
features from the image/segmentation pair as inputs, a regression model was
trained to predict the per-patient segmentation accuracy, measured by Dice
coefficient similarity (DSC). The framework was tested across 19 segmentation
models to evaluate the generalizability of the entire framework.
As results, the predicted DSC of regression models achieved a mean absolute
error (MAE) ranging from 0.036 to 0.046 with an averaged MAE of 0.041. When
tested on the benchmark dataset, the performances of all segmentation models
were not significantly affected by scanning parameters: FOV, slice thickness
and reconstructions kernels. For input images with Poisson noise, CNN-based
segmentation models demonstrated a decreased DSC ranging from 0.07 to 0.41,
while the transformer-based model was not significantly affected.
- Abstract（参考訳）: 臨床施設における深層学習モデルの安全な展開には,入力領域シフトとモデル性能の定期的・連続的な監視を行うための品質保証フレームワークが必要である。
本研究では,QAフレームワーク構築の例として,心部分構造セグメンテーションを用いた。
心電図(CT)画像と241人の患者の手動心電図によるベンチマークデータセットを収集し,1つの「共通」画像領域と5つの「共通」画像領域を抽出した。
セグメンテーションモデルは、モデルのキャパシティと制限の初期評価のためにベンチマークデータセットでテストされた。
denoising autoencoder (dae) と2つのハンドエンジニアリング機能を用いて画像領域シフト検出器を開発した。
もうひとつの変分オートエンコーダ (VAE) も, オートセグメンテーション結果の形状品質を推定するために訓練された。
画像分割ペアから抽出した特徴を入力として,Dice係数類似度(DSC)を用いて患者ごとのセグメンテーション精度を予測する回帰モデルを訓練した。
このフレームワークは、フレームワーク全体の一般化性を評価するために、19のセグメンテーションモデルでテストされた。
その結果,予測された回帰モデルのDSCは平均絶対誤差(MAE)を0.036から0.046の範囲で達成した。
ベンチマークデータセットでテストすると、すべてのセグメンテーションモデルのパフォーマンスは、fov、スライス厚、レコンストラクションカーネルといった走査パラメータにはあまり影響されなかった。
Poissonノイズの入力画像の場合、CNNベースのセグメンテーションモデルは0.07から0.41まで減少し、トランスフォーマーベースのモデルは大きな影響を受けなかった。
関連論文リスト
- Towards Ground-truth-free Evaluation of Any Segmentation in Medical Images [22.36128130052757]
本研究では,Segment Anything Model (SAM) が生成するセグメンテーションの質と,医療画像におけるその変種を評価するために,ゼロトラストフリー評価モデルを構築した。
この評価モデルは、入力画像と対応するセグメンテーション予測との一貫性と一貫性を解析することにより、セグメンテーション品質スコアを推定する。
論文 参考訳（メタデータ） (2024-09-23T10:12:08Z) - Handling Geometric Domain Shifts in Semantic Segmentation of Surgical RGB and Hyperspectral Images [67.66644395272075]
本稿では,幾何学的アウト・オブ・ディストリビューションデータに直面する場合の,最先端のセマンティックセマンティックセマンティクスモデルの最初の解析を行う。
本稿では, 汎用性を高めるために, 有機移植(Organ Transplantation)と呼ばれる拡張技術を提案する。
我々の拡張技術は、RGBデータに対して最大67%、HSIデータに対して90%のSOAモデル性能を改善し、実際のOODテストデータに対して、分配内パフォーマンスのレベルでのパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-08-27T19:13:15Z) - Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation [1.2873975765521795]
この研究は、肝臓を分断する4つのSwin UNETRとnnU-netモデルのボトルネック特徴にマハラノビス距離(MD)ポストホックを適用した。
モデルが失敗した画像は、高性能で最小の計算負荷で検出された。
論文 参考訳（メタデータ） (2024-08-05T18:24:48Z) - TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。
このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。
このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。
近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。
本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
論文 参考訳（メタデータ） (2023-06-16T16:30:39Z) - Application of the nnU-Net for automatic segmentation of lung lesion on
CT images, and implication on radiomic models [1.8231394717039833]
非小細胞肺癌患者のCT画像にディープラーニング自動分画法を適用した。
生存放射線モデルの性能評価において,手動と自動セグメンテーションの併用も検討した。
論文 参考訳（メタデータ） (2022-09-24T15:04:23Z) - An Efficient End-to-End Deep Neural Network for Interstitial Lung
Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。
提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。
128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文 参考訳（メタデータ） (2022-04-21T06:36:10Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - 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)
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。