論文の概要: Gamified Crowdsourcing as a Novel Approach to Lung Ultrasound Dataset Labeling

• arxiv url: http://arxiv.org/abs/2306.06773v1
• Date: Sun, 11 Jun 2023 20:59:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-13 16:47:17.587024
• Title: Gamified Crowdsourcing as a Novel Approach to Lung Ultrasound Dataset Labeling
• Title（参考訳）: 肺超音波データセットラベリングの新しいアプローチとしてのゲミファイドクラウドソーシング
• Authors: Nicole M Duggan, Mike Jin, Maria Alejandra Duran Mendicuti, Stephen Hallisey, Denie Bernier, Lauren A Selame, Ameneh Asgari-Targhi, Chanel E Fischetti, Ruben Lucassen, Anthony E Samir, Erik Duhaime+, Tina Kapur, Andrew J Goldsmith
• Abstract要約: 機械学習モデルには高度な医用画像処理があり、より高速で正確な診断を行うことができる。 画像データが豊富にあるにもかかわらず、モデルトレーニングのための高品質なラベル付きデータが不足している。 評価基準を組み込んだゲーミフィケーション・クラウドソーシング・プラットフォームが,臨床専門家に匹敵する肺超音波クリップラベルを作成できるかどうかを検討した。
• 参考スコア（独自算出の注目度）: 2.0776694685271284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Study Objective: Machine learning models have advanced medical image processing and can yield faster, more accurate diagnoses. Despite a wealth of available medical imaging data, high-quality labeled data for model training is lacking. We investigated whether a gamified crowdsourcing platform enhanced with inbuilt quality control metrics can produce lung ultrasound clip labels comparable to those from clinical experts. Methods: 2,384 lung ultrasound clips were retrospectively collected from 203 patients. Six lung ultrasound experts classified 393 of these clips as having no B-lines, one or more discrete B-lines, or confluent B-lines to create two sets of reference standard labels (195 training set clips and 198 test set clips). Sets were respectively used to A) train users on a gamified crowdsourcing platform, and B) compare concordance of the resulting crowd labels to the concordance of individual experts to reference standards. Results: 99,238 crowdsourced opinions on 2,384 lung ultrasound clips were collected from 426 unique users over 8 days. On the 198 test set clips, mean labeling concordance of individual experts relative to the reference standard was 85.0% +/- 2.0 (SEM), compared to 87.9% crowdsourced label concordance (p=0.15). When individual experts' opinions were compared to reference standard labels created by majority vote excluding their own opinion, crowd concordance was higher than the mean concordance of individual experts to reference standards (87.4% vs. 80.8% +/- 1.6; p<0.001). Conclusion: Crowdsourced labels for B-line classification via a gamified approach achieved expert-level quality. Scalable, high-quality labeling approaches may facilitate training dataset creation for machine learning model development.
• Abstract（参考訳）: 研究目的: 機械学習モデルには高度な医療画像処理があり、より高速で正確な診断が可能になる。 利用可能な医療画像データは豊富であるが、モデルトレーニングのための高品質なラベル付きデータは不足している。 評価基準を組み込んだゲーミフィケーションクラウドソーシングプラットフォームが,臨床専門家と同等の肺超音波クリップラベルを作成できるかどうかを検討した。 方法】203例から2,384例の肺超音波検査を行った。 6人の肺超音波の専門家は、これらのクリップのうち393をb線なし、1つ以上の離散b線、または合流b線と分類し、2セットの基準標準ラベル(195のトレーニングセットクリップと198のテストセットクリップ)を作成した。 A)ゲーム化されたクラウドソーシングプラットフォーム上でユーザをトレーニングするために,B) 結果のクラウドラベルの一致を,個々の専門家の基準との一致と比較した。 結果: 8日間に426人のユニークユーザから,2,384個の肺超音波クリップに対する99,238件のクラウドソース意見が収集された。 198の試験セットのクリップでは、基準基準に対する個々の専門家の平均ラベル一致は85.0%+/-2.0(SEM)であり、87.9%のクラウドソースラベル一致(p=0.15)であった。 個々の専門家の意見を多数決で作成された基準基準ラベルと比較すると、群衆の一致度は基準基準に対する専門家の平均一致度よりも高かった(87.4%対80.8%+/-1.6; p<0.001)。 結論: ゲーミフィケーションアプローチによるBライン分類のためのクラウドソースラベルは、エキスパートレベルの品質を達成した。 スケーラブルで高品質なラベル付けアプローチは、機械学習モデル開発のためのトレーニングデータセット作成を容易にする可能性がある。

関連論文リスト

• Expert-Level Annotation Quality Achieved by Gamified Crowdsourcing for B-line Segmentation in Lung Ultrasound [1.7398789395219088]
  ゲーミフィケードクラウドソーシングは、医療データに対する高精度なアノテーションを大規模に取得する可能性を示している。 21,154点の注釈を収集し,B線分画(肺の混雑の指標)を留置した。
  論文  参考訳（メタデータ） (2023-12-15T20:54:36Z)
• A Semi-Supervised Algorithm for Improving the Consistency of Crowdsourced Datasets: The COVID-19 Case Study on Respiratory Disorder Classification [4.431270735024064]
  聴覚信号の分類は、新型コロナウイルス(COVID-19)などの呼吸器疾患のスクリーニングに有用なツールである。 多くの研究チームは、COUGHVIDデータセットを生成するために行われたように、音声データを素早く収集するためにクラウドソーシングに移行した。 COUGHVIDデータセットは、専門家の医師に、限られた数のアップロードされた記録に存在する基礎疾患の診断を依頼した。 この研究は、半教師付き学習(SSL)アプローチを使用して、COUGHVIDデータセットのラベル付け一貫性を改善し、新型コロナウイルスの健全な音分類に対する堅牢性を向上させる。
  論文  参考訳（メタデータ） (2022-09-09T15:44:26Z)
• Reliable Label Correction is a Good Booster When Learning with Extremely Noisy Labels [65.79898033530408]
  極音下での学習に明示的に取り組むために,LC-Boosterと呼ばれる新しい枠組みを導入する。 LC-Boosterは、ラベル補正をサンプル選択に組み込むことで、信頼性の高いラベル修正を通じて、より精製されたサンプルをトレーニングに利用することができる。 実験により、LC-Boosterはいくつかのノイズラベルベンチマークで最先端の結果を前進させることが示された。
  論文  参考訳（メタデータ） (2022-04-30T07:19:03Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Label-Assemble: Leveraging Multiple Datasets with Partial Labels [68.46767639240564]
  Label-Assemble”は、公開データセットのアセンブリから部分的なラベルの可能性を最大限に活用することを目的としている。 陰例からの学習は,コンピュータ支援型疾患の診断と検出の双方を促進することが判明した。
  論文  参考訳（メタデータ） (2021-09-25T02:48:17Z)
• Co-Correcting: Noise-tolerant Medical Image Classification via mutual Label Correction [5.994566233473544]
  本稿では,Co-Correctingという耐雑音性医用画像分類フレームワークを提案する。 分類精度を大幅に向上させ、デュアルネットワーク相互学習、ラベル確率推定、カリキュラムラベルの修正を通じてより正確なラベルを得る。 実験により, 様々なタスクにおいて, 雑音比の異なるコココレクショニングが最適な精度と一般化を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-11T02:09:52Z)
• Statistical Dependency Guided Contrastive Learning for Multiple Labeling in Prenatal Ultrasound [56.631021151764955]
  標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。 我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
  論文  参考訳（メタデータ） (2021-08-11T06:39:26Z)
• Robust Classification from Noisy Labels: Integrating Additional Knowledge for Chest Radiography Abnormality Assessment [14.631388658828921]
  大規模な公開データセットの導入は、自動異常分類のための一連の新しいシステムに繋がった。 このような最適データからラベルノイズを処理する新しいトレーニング戦略を提案します。 平均AUCスコアが0.880の全ての異常に対して、提案したトレーニング戦略は、パフォーマンススコアを著しく向上させるのに有効である。
  論文  参考訳（メタデータ） (2021-04-12T07:51:07Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• Semi-Supervised Active Learning for COVID-19 Lung Ultrasound Multi-symptom Classification [13.878896181984262]
  本稿では,複雑な特徴をモデル化し,ラベリングコストを削減するため,TSAL法を提案する。 そこで本研究では,多症状多ラベル(MSML)分類ネットワークを提案し,肺症状の識別的特徴について検討した。 678本の動画から6,836枚の画像が採取された71人の臨床患者を含む、COVID19-LUSMSという新しい肺データセットが構築されている。
  論文  参考訳（メタデータ） (2020-09-09T10:45:34Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。