論文の概要: Annotating Ambiguous Images: General Annotation Strategy for Image
Classification with Real-World Biomedical Validation on Vertebral Fracture
Diagnosis
- arxiv url: http://arxiv.org/abs/2306.12189v1
- Date: Wed, 21 Jun 2023 11:35:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 13:37:35.116480
- Title: Annotating Ambiguous Images: General Annotation Strategy for Image
Classification with Real-World Biomedical Validation on Vertebral Fracture
Diagnosis
- Title(参考訳): 異常画像のアノテーション : 実世界のバイオメディカル診断による画像分類のための一般的なアノテーション戦略
- Authors: Lars Schmarje, Vasco Grossmann, Claudius Zelenka, Reinhard Koch
- Abstract要約: 本稿では,これらの問題に対処するための一般的な戦略のフローチャートを紹介する。
我々は,30万以上のアノテーションを付加した脊椎骨折データセットを構築することで,この戦略の適用を実証する。
- 参考スコア(独自算出の注目度): 0.860255319568951
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While numerous methods exist to solve classification problems within curated
datasets, these solutions often fall short in biomedical applications due to
the biased or ambiguous nature of the data. These difficulties are particularly
evident when inferring height reduction from vertebral data, a key component of
the clinically-recognized Genant score. Although strategies such as
semi-supervised learning, proposal usage, and class blending may provide some
resolution, a clear and superior solution remains elusive. This paper
introduces a flowchart of general strategy to address these issues. We
demonstrate the application of this strategy by constructing a vertebral
fracture dataset with over 300,000 annotations. This work facilitates the
transition of the classification problem into clinically meaningful scores and
enriches our understanding of vertebral height reduction.
- Abstract(参考訳): キュレートされたデータセット内の分類問題の解決には多くの方法が存在するが、これらの解はデータのバイアスやあいまいな性質のため、生体医学的応用では不足することが多い。
これらの困難は、臨床に認められたGenantスコアの重要な構成要素である脊椎データから身長の減少を推測する場合、特に顕著である。
半教師付き学習、提案利用、クラスブレンディングといった戦略はいくつかの解決法を提供するが、明確で優れた解はいまだ解明されていない。
本稿では,これらの問題に対処するための汎用戦略のフローチャートを紹介する。
30万以上のアノテーションを用いた椎骨骨折データセットの構築により,この戦略の応用を実証する。
本研究は, 分類問題を臨床的に有意なスコアに移行させ, 脊椎高度減少の理解を深めるものである。
関連論文リスト
- SpineCLUE: Automatic Vertebrae Identification Using Contrastive Learning
and Uncertainty Estimation [12.427024671144869]
脊椎疾患の診断において、任意の視野における動詞の同定が重要な役割を担っている。
スピンレベルの既存の方法は、この課題を満たすことができません。
椎骨レベルでの3次元CT椎骨識別の課題に対処する3段階法を提案する。
論文 参考訳(メタデータ) (2024-01-14T12:02:39Z) - Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳(メタデータ) (2023-12-08T18:11:22Z) - 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) - Adaptive Semi-Supervised Segmentation of Brain Vessels with Ambiguous
Labels [63.415444378608214]
提案手法は, 進歩的半教師付き学習, 適応的学習戦略, 境界拡張など, 革新的な手法を取り入れたものである。
3DRAデータセットによる実験結果から,メッシュベースのセグメンテーション指標を用いて,本手法の優位性を示す。
論文 参考訳(メタデータ) (2023-08-07T14:16:52Z) - Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。
本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。
提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
論文 参考訳(メタデータ) (2021-05-01T13:19:02Z) - Information Bottleneck Attribution for Visual Explanations of Diagnosis
and Prognosis [8.325727554619325]
本稿では,医療応用のための堅牢な視覚的説明手法を提案する。
情報ボトルネックの概念に触発され、ニューラルネットワーク表現をノイズでマスキングして重要な領域を見つけます。
論文 参考訳(メタデータ) (2021-04-07T02:43:52Z) - A survey on shape-constraint deep learning for medical image
segmentation [0.46023882211671957]
畳み込みニューラルネットワークとその多くのバリエーションは、ディープラーニングベースの医療画像セグメンテーションの現代の風景を完全に変えました。
これらの手法のピクセルレベルの分類と回帰に対する過度の依存は、問題として早期に特定されている。
セグメンテーション結果が解剖学的に一貫性があることを確認するために、マルコフ/条件付きランダムフィールドに基づくアプローチは、統計的シェイプモデルがますます普及しています。
論文 参考訳(メタデータ) (2021-01-19T16:52:10Z) - Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture
Detection [58.984536305767996]
自動椎骨骨折検出のための表現学習型アプローチを提案する。
本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。
一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
論文 参考訳(メタデータ) (2020-08-18T10:03:45Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳(メタデータ) (2020-07-21T14:37:00Z)
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。