論文の概要: Challenge Results Are Not Reproducible

• arxiv url: http://arxiv.org/abs/2307.07226v1
• Date: Fri, 14 Jul 2023 08:41:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-17 14:32:07.212307
• Title: Challenge Results Are Not Reproducible
• Title（参考訳）: 挑戦の結果は再現できない
• Authors: Annika Reinke, Georg Grab, Lena Maier-Hein
• Abstract要約: 近年, バイオメディカル画像解析における課題の包括的分析により, 課題の影響と設計・報告基準の品質管理の相違が明らかとなった。 我々は,2019年ロバスト医療画像チャレンジ(ROBUST-MIS)に提出されたアルゴリズムを再現し,その方法の代替解釈が課題ランキングを変えるかどうかを判定した。
• 参考スコア（独自算出の注目度）: 0.363532129076371
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: While clinical trials are the state-of-the-art methods to assess the effect of new medication in a comparative manner, benchmarking in the field of medical image analysis is performed by so-called challenges. Recently, comprehensive analysis of multiple biomedical image analysis challenges revealed large discrepancies between the impact of challenges and quality control of the design and reporting standard. This work aims to follow up on these results and attempts to address the specific question of the reproducibility of the participants methods. In an effort to determine whether alternative interpretations of the method description may change the challenge ranking, we reproduced the algorithms submitted to the 2019 Robust Medical Image Segmentation Challenge (ROBUST-MIS). The leaderboard differed substantially between the original challenge and reimplementation, indicating that challenge rankings may not be sufficiently reproducible.
• Abstract（参考訳）: 臨床試験は、新しい医薬品の効果を比較的に評価するための最先端の手法であるが、医療画像解析の分野におけるベンチマークは、いわゆる課題によって行われる。 近年, バイオメディカル画像解析における課題の包括的分析により, 課題の影響と設計・報告基準の品質管理の相違が明らかとなった。 本研究は,これらの結果を追従し,参加者メソッドの再現性に関する具体的な疑問に対処しようとするものである。 方法記述の代替解釈が課題ランキングを変えるかどうかを判断するために,2019年ロバスト医用画像分割チャレンジ(ROBUST-MIS)に提出されたアルゴリズムを再現した。 リーダーボードは、元の挑戦と再実装とは大きく異なり、挑戦のランキングが十分に再現できない可能性があることを示している。

関連論文リスト

• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Domain generalization across tumor types, laboratories, and species -- insights from the 2022 edition of the Mitosis Domain Generalization Challenge [15.965814632791504]
  病理組織学的腫瘍標本における有糸分裂像の認識は,患者の予後評価に極めて関連している。 この研究は、課題タスク、参加者が採用する戦略、そしてその成功に寄与する潜在的な要因の概要を示している。
  論文  参考訳（メタデータ） (2023-09-27T11:44:58Z)
• DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical Coherence Tomography Angiography Images [51.27125547308154]
  第25回医用画像コンピューティング・コンピュータ支援介入国際会議(MICCAI 2022)にともなうDRAC糖尿病網膜症解析チャレンジの企画を行った。 この課題は、DR病変の分節化、画像品質評価、DRグレーディングの3つのタスクから構成される。 本稿では,課題の各課題について,トップパフォーマンスのソリューションと結果の要約と分析を行う。
  論文  参考訳（メタデータ） (2023-04-05T12:04:55Z)
• Improving Uncertainty-based Out-of-Distribution Detection for Medical Image Segmentation [1.1199585259018459]
  Out-of-Distribution (OOD) 画像は、医療画像分析の文脈において重要な課題である。 本稿では,バイナリセグメンテーションモデルの予測不確実性に依存する手法が,外部入力の検出に失敗することが多いことを示す。
  論文  参考訳（メタデータ） (2022-11-10T08:54:40Z)
• 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)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。