論文の概要: Transformer-based Annotation Bias-aware Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2306.01340v1
- Date: Fri, 2 Jun 2023 08:09:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 16:13:45.054510
- Title: Transformer-based Annotation Bias-aware Medical Image Segmentation
- Title（参考訳）: 変圧器を用いたアノテーションバイアスを考慮した医用画像分割
- Authors: Zehui Liao, Yutong Xie, Shishuai Hu, Yong Xia
- Abstract要約: 手動画像分割は主観的であり、アノテータ関連バイアスに悩まされる。
本稿では,アノテータの嗜好と誤りをモデル化することで,アノテータ関連バイアスに対処するトランスフォーマーベースの医療画像分割モデルを提案する。
以上の結果から,TABはアノテータ関連バイアスを考慮した既存の医用画像セグメンテーションモデルより優れていることが示唆された。
- 参考スコア（独自算出の注目度）: 26.510486941806708
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Manual medical image segmentation is subjective and suffers from
annotator-related bias, which can be mimicked or amplified by deep learning
methods. Recently, researchers have suggested that such bias is the combination
of the annotator preference and stochastic error, which are modeled by
convolution blocks located after decoder and pixel-wise independent Gaussian
distribution, respectively. It is unlikely that convolution blocks can
effectively model the varying degrees of preference at the full resolution
level. Additionally, the independent pixel-wise Gaussian distribution
disregards pixel correlations, leading to a discontinuous boundary. This paper
proposes a Transformer-based Annotation Bias-aware (TAB) medical image
segmentation model, which tackles the annotator-related bias via modeling
annotator preference and stochastic errors. TAB employs the Transformer with
learnable queries to extract the different preference-focused features. This
enables TAB to produce segmentation with various preferences simultaneously
using a single segmentation head. Moreover, TAB takes the multivariant normal
distribution assumption that models pixel correlations, and learns the
annotation distribution to disentangle the stochastic error. We evaluated our
TAB on an OD/OC segmentation benchmark annotated by six annotators. Our results
suggest that TAB outperforms existing medical image segmentation models which
take into account the annotator-related bias.
- Abstract（参考訳）: 手動画像分割は主観的であり、アノテータ関連バイアスに悩まされ、深層学習法によって模倣または増幅される。
近年、このバイアスはアノテータの好みと確率的誤差の組合せであり、それぞれデコーダと画素単位の独立なガウス分布の後にある畳み込みブロックによってモデル化されている。
畳み込みブロックは、全解像度レベルで様々な好みの度合いを効果的にモデル化することは不可能である。
さらに、独立画素ワイドガウス分布は画素相関を無視し、不連続境界をもたらす。
本稿では,アノテーションの嗜好と確率的誤りをモデル化することにより,アノテーション関連バイアスに取り組むトランスフォーマタ型アノテーション・バイアス・アウェア(tab)医療画像分割モデルを提案する。
TABはTransformerと学習可能なクエリを使って、好みに重点を置くさまざまな特徴を抽出する。
これにより、TABは単一のセグメンテーションヘッドを使用して、様々な好みのセグメンテーションを同時に生成できる。
さらに、TABは画素相関をモデル化する多変正規分布を仮定し、アノテーション分布を学習して確率誤差を解消する。
6つのアノテーションを付加したOD/OCセグメンテーションベンチマークでTABを評価した。
以上の結果から,TABはアノテータ関連バイアスを考慮した既存の医用画像セグメンテーションモデルより優れていることが示唆された。
関連論文リスト
- IBADR: an Iterative Bias-Aware Dataset Refinement Framework for
Debiasing NLU models [52.03761198830643]
IBADR(Iterative Bias-Aware dataset Refinement framework)を提案する。
まず、プール内のサンプルのバイアス度を定量化するために浅いモデルを訓練する。
次に、各サンプルにバイアス度を表すバイアス指標をペアにして、これらの拡張サンプルを使用してサンプルジェネレータを訓練する。
このようにして、このジェネレータは、バイアスインジケータとサンプルの対応関係を効果的に学習することができる。
論文 参考訳（メタデータ） (2023-11-01T04:50:38Z) - Rethinking Polyp Segmentation from an Out-of-Distribution Perspective [37.1338930936671]
マスク付き自己エンコーダ(再建作業で訓練された自己教師型視覚トランスフォーマー)を応用して,分布内表現を学習する。
種々の異常サンプルの潜伏分布と健常サンプルの統計値とを一致させるため,特徴空間の標準化を図り,アウト・オブ・ディストリビューションの再構築と推論を行った。
6つのベンチマークによる実験結果から,我々のモデルはセグメンテーション性能とデータセット間の一般化に優れていた。
論文 参考訳（メタデータ） (2023-06-13T14:13:16Z) - Stochastic Segmentation with Conditional Categorical Diffusion Models [3.8168879948759953]
Denoising Diffusion Probabilistic Models に基づくセマンティックセグメンテーションのための条件カテゴリー拡散モデル(CCDM)を提案する。
以上の結果から,CCDMはLIDC上での最先端性能を実現し,従来のセグメンテーションデータセットであるCityscapesのベースラインよりも優れていた。
論文 参考訳（メタデータ） (2023-03-15T19:16:47Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - Transformers meet Stochastic Block Models: Attention with Data-Adaptive
Sparsity and Cost [53.746169882193456]
最近の研究は、自己注意の二次的コストを克服するために、様々なスパークアテンションモジュールを提案している。
本稿では,それぞれの注意を混合メンバーシップブロックモデルで表現することで,両方の問題を解決するモデルを提案する。
我々のモデルは、以前の効率的な変種とオリジナルのトランスフォーマーより優れており、十分に注目されています。
論文 参考訳（メタデータ） (2022-10-27T15:30:52Z) - Structured Uncertainty in the Observation Space of Variational
Autoencoders [20.709989481734794]
画像合成において、そのような分布からのサンプリングは、非相関な画素ノイズを伴う空間的非コヒーレントな結果を生成する。
低ランクパラメータ化により空間依存性を符号化する観測空間の代替モデルを提案する。
画素単位の独立分布とは対照的に,本サンプルは複数の可算出力の予測を可能にする平均値から意味論的に有意な変動を含むと考えられる。
論文 参考訳（メタデータ） (2022-05-25T07:12:50Z) - Self-Conditioned Generative Adversarial Networks for Image Editing [61.50205580051405]
Generative Adversarial Networks (GAN) はバイアスの影響を受けやすい。
我々は、このバイアスが公平性だけでなく、分布のコアから逸脱する際の潜在トラバース編集手法の崩壊に重要な役割を果たしていると論じる。
論文 参考訳（メタデータ） (2022-02-08T18:08:24Z) - Modeling Human Preference and Stochastic Error for Medical Image
Segmentation with Multiple Annotators [20.16520398147676]
医用画像分割作業におけるアノテータ関連バイアスの問題を強調した。
そこで我々は,それに対応するためのPreference-involved Distribution Learning (PADL)フレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-26T10:28:45Z) - Mixing-AdaSIN: Constructing a de-biased dataset using Adaptive
Structural Instance Normalization and texture Mixing [6.976822832216875]
本論文では,生成モデルを用いたバイアス低減手法であるMixing-AdaSINを提案する。
本手法の有効性を示すため,細菌性肺炎データセットに対するバイアス付きCOVID-19を構築した。
論文 参考訳（メタデータ） (2021-03-26T04:40:14Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳（メタデータ） (2020-09-07T13:01:45Z) - Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。
これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。
おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文 参考訳（メタデータ） (2020-02-17T19:23:36Z)
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。