論文の概要: Evaluation of Multi-indicator And Multi-organ Medical Image Segmentation Models

• arxiv url: http://arxiv.org/abs/2306.00446v1
• Date: Thu, 1 Jun 2023 08:35:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 17:31:58.667827
• Title: Evaluation of Multi-indicator And Multi-organ Medical Image Segmentation Models
• Title（参考訳）: マルチインジケータおよびマルチオルガン医用画像セグメンテーションモデルの評価
• Authors: Qi Ye, Lihua Guo
• Abstract要約: エンコーダとデコーダ構造を持つ「U字型」ニューラルネットワークは,医用画像セグメンテーションの分野で人気を博している。 医用画像分割モデルの総合的評価手法を提案する。 MIMOは、マルチインジケータとマルチ組織医療画像評価に関する新しい洞察を提供する。
• 参考スコア（独自算出の注目度）: 4.302265156822829
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, "U-shaped" neural networks featuring encoder and decoder structures have gained popularity in the field of medical image segmentation. Various variants of this model have been developed. Nevertheless, the evaluation of these models has received less attention compared to model development. In response, we propose a comprehensive method for evaluating medical image segmentation models for multi-indicator and multi-organ (named MIMO). MIMO allows models to generate independent thresholds which are then combined with multi-indicator evaluation and confidence estimation to screen and measure each organ. As a result, MIMO offers detailed information on the segmentation of each organ in each sample, thereby aiding developers in analyzing and improving the model. Additionally, MIMO can produce concise usability and comprehensiveness scores for different models. Models with higher scores are deemed to be excellent models, which is convenient for clinical evaluation. Our research tests eight different medical image segmentation models on two abdominal multi-organ datasets and evaluates them from four perspectives: correctness, confidence estimation, Usable Region and MIMO. Furthermore, robustness experiments are tested. Experimental results demonstrate that MIMO offers novel insights into multi-indicator and multi-organ medical image evaluation and provides a specific and concise measure for the usability and comprehensiveness of the model. Code: https://github.com/SCUT-ML-GUO/MIMO
• Abstract（参考訳）: 近年、エンコーダとデコーダ構造を持つ「U字型」ニューラルネットワークは、医用画像セグメンテーションの分野で人気を集めている。 このモデルの様々なバリエーションが開発されている。 にもかかわらず、これらのモデルの評価はモデル開発に比べてあまり注目されていない。 そこで本研究では,Multi-indicatorとMulti-organ(MIMO)のための医用画像分割モデルの総合評価手法を提案する。 MIMOはモデルが独立したしきい値を生成し、それをマルチ指標の評価と信頼度推定と組み合わせて各臓器のスクリーニングと測定を行う。 その結果、MIMOは各サンプルにおける各臓器のセグメンテーションに関する詳細な情報を提供し、開発者がモデルを分析し改善するのを手助けする。 さらにMIMOは、異なるモデルに対する簡潔なユーザビリティと包括性スコアを生成することができる。 スコアが高いモデルは優れたモデルと見なされ,臨床評価に有用である。 本研究は, 2つの腹部マルチオルガンデータセット上で8種類の医用画像分割モデルをテストし, 正確性, 信頼度推定, 使用可能領域, mimoの4つの視点から評価した。 さらに,ロバスト性試験を行った。 実験の結果,MIMOはマルチ指標とマルチ組織医療画像評価に新たな洞察を与え,モデルのユーザビリティと包括性に関する具体的かつ簡潔な尺度を提供することがわかった。 コード:https://github.com/SCUT-ML-GUO/MIMO

関連論文リスト

• Opinion-Unaware Blind Image Quality Assessment using Multi-Scale Deep Feature Statistics [54.08757792080732]
  我々は,事前学習された視覚モデルからの深い特徴を統計的解析モデルと統合して,意見認識のないBIQA(OU-BIQA)を実現することを提案する。 提案モデルは,最先端のBIQAモデルと比較して,人間の視覚的知覚との整合性に優れる。
  論文  参考訳（メタデータ） (2024-05-29T06:09:34Z)
• 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)
• C^2M-DoT: Cross-modal consistent multi-view medical report generation with domain transfer network [67.97926983664676]
  ドメイン転送ネットワーク(C2M-DoT)を用いたクロスモーダルなマルチビュー医療レポート生成を提案する。 C2M-DoTは、すべてのメトリクスで最先端のベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2023-10-09T02:31:36Z)
• Generalist Vision Foundation Models for Medical Imaging: A Case Study of Segment Anything Model on Zero-Shot Medical Segmentation [5.547422331445511]
  9つの医用画像セグメンテーションベンチマークにおいて,定量および定性的ゼロショットセグメンテーションの結果を報告する。 本研究は,医用画像における一般視基盤モデルの汎用性を示すものである。
  論文  参考訳（メタデータ） (2023-04-25T08:07:59Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Convolutions, Transformers, and their Ensembles for the Segmentation of Organs at Risk in Radiation Treatment of Cervical Cancer [0.0]
  子宮頸癌の放射線治療におけるOAR(Organs At Risk)のセグメンテーションの課題に答える。 我々は、異なるアーキテクチャに属するいくつかの最先端モデルと、いくつかの最先端モデルの側面を組み合わせたいくつかの新しいモデルを比較した。 モデル予測を可視化し、その出力確率を平均化し、モデル予測間のDice Coefficientを計算する。
  論文  参考訳（メタデータ） (2023-03-20T23:44:35Z)
• Diversity-Promoting Ensemble for Medical Image Segmentation [25.089517950882527]
  医用画像セグメンテーションのための異なるアーキテクチャのアンサンブルを生成する戦略を提案する。 多様性を促進するために,Diceスコアの低いモデルを選択する。 実験の結果,DiPEは個々のモデルと,上位スコアモデルの選択に基づくアンサンブル生成戦略に勝っていることがわかった。
  論文  参考訳（メタデータ） (2022-10-22T08:47:25Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Improving Calibration and Out-of-Distribution Detection in Medical Image Segmentation with Convolutional Neural Networks [8.219843232619551]
  畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。 マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。 一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
  論文  参考訳（メタデータ） (2020-04-12T23:42:51Z)

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。