論文の概要: Probabilistic Modeling of Inter- and Intra-observer Variability in
Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2307.11397v1
- Date: Fri, 21 Jul 2023 07:29:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-24 13:22:10.323228
- Title: Probabilistic Modeling of Inter- and Intra-observer Variability in
Medical Image Segmentation
- Title(参考訳): 医用画像分割におけるobserver間およびinter-in-observer variabilityの確率論的モデル化
- Authors: Arne Schmidt and Pablo Morales-\'Alvarez and Rafael Molina
- Abstract要約: 我々は、確率的オブザーバとiNtraオブザーバ変異NetwOrk(ピオノ)と呼ばれる新しいモデルを提案する。
各レーダのラベル付け動作を多次元確率分布で捉え、確率的セグメンテーション予測を生成する。
実世界のがんセグメンテーションデータセットの実験は、ピオノの精度と効率を実証している。
- 参考スコア(独自算出の注目度): 12.594098548008832
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation is a challenging task, particularly due to inter-
and intra-observer variability, even between medical experts. In this paper, we
propose a novel model, called Probabilistic Inter-Observer and iNtra-Observer
variation NetwOrk (Pionono). It captures the labeling behavior of each rater
with a multidimensional probability distribution and integrates this
information with the feature maps of the image to produce probabilistic
segmentation predictions. The model is optimized by variational inference and
can be trained end-to-end. It outperforms state-of-the-art models such as
STAPLE, Probabilistic U-Net, and models based on confusion matrices.
Additionally, Pionono predicts multiple coherent segmentation maps that mimic
the rater's expert opinion, which provides additional valuable information for
the diagnostic process. Experiments on real-world cancer segmentation datasets
demonstrate the high accuracy and efficiency of Pionono, making it a powerful
tool for medical image analysis.
- Abstract(参考訳): 医療画像のセグメンテーションは、特に医療専門家の間でさえ、サーバ間およびサーバ内変動のため、難しい課題である。
本稿では,確率的インターオブザーバとiNtra-Observer変異NetwOrk(Pionono)と呼ばれる新しいモデルを提案する。
各レートラーのラベリング挙動を多次元確率分布で捉え、その情報を画像の特徴マップと統合して確率的セグメンテーション予測を生成する。
モデルは変分推論によって最適化され、エンドツーエンドでトレーニングすることができる。
ステープル、確率的u-net、および混乱行列に基づくモデルのような最先端のモデルを上回る。
さらに、ピオノノは、パーサーのエキスパートの意見を模倣した複数のコヒーレントなセグメンテーションマップを予測し、診断プロセスに付加的な情報を提供する。
実世界のがんセグメンテーションデータセットの実験は、ピオノの精度と効率を実証し、医療画像解析の強力なツールとなった。
関連論文リスト
- Contrastive Learning with Counterfactual Explanations for Radiology Report Generation [83.30609465252441]
放射線学レポート生成のためのtextbfCountertextbfFactual textbfExplanations-based framework (CoFE) を提案する。
反現実的な説明は、アルゴリズムによってなされた決定をどのように変えられるかを理解するための強力なツールとして、シナリオが何であるかを問うことによって役立ちます。
2つのベンチマークの実験では、反ファクト的な説明を活用することで、CoFEは意味的に一貫性があり、事実的に完全なレポートを生成することができる。
論文 参考訳(メタデータ) (2024-07-19T17:24:25Z) - FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
署名された距離関数(SDF)を表す画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを提案する。
SDFの条件分布の確率パスに直接関係するベクトル場を学習することにより、セグメント化マスクの分布から正確にサンプリングすることができる。
論文 参考訳(メタデータ) (2024-05-28T11:47:12Z) - 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) - Multi-Modal Evaluation Approach for Medical Image Segmentation [4.989480853499916]
本稿では,異なるセグメンテーション手法の有効性を評価するために,新しいマルチモーダル評価(MME)手法を提案する。
本稿では, 検出特性, 境界アライメント, 均一性, 総体積, 相対体積など, 関連性, 解釈可能な新しい特徴を紹介する。
提案するアプローチはオープンソースで,使用することができる。
論文 参考訳(メタデータ) (2023-02-08T15:31:33Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳(メタデータ) (2022-11-09T14:48:13Z) - Variational Inference for Quantifying Inter-observer Variability in
Segmentation of Anatomical Structures [12.138198227748353]
ほとんどのセグメンテーション法は、単純にイメージからその単一セグメンテーションマップへのマッピングをモデル化し、アノテータの不一致を考慮に入れない。
特定のMR画像から得られる可視分割写像の分布をモデル化する新しい変分推論フレームワークを提案する。
論文 参考訳(メタデータ) (2022-01-18T16:33:33Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - 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) - 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。