論文の概要: Role of Image Acquisition and Patient Phenotype Variations in Automatic
Segmentation Model Generalization
- arxiv url: http://arxiv.org/abs/2307.14482v1
- Date: Wed, 26 Jul 2023 20:15:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 16:37:11.675894
- Title: Role of Image Acquisition and Patient Phenotype Variations in Automatic
Segmentation Model Generalization
- Title（参考訳）: 自動セグメンテーションモデル一般化における画像取得と患者現象の変動の役割
- Authors: Timothy L. Kline, Sumana Ramanathan, Harrison C. Gottlich, Panagiotis
Korfiatis, Adriana V. Gregory
- Abstract要約: 本研究では,自動画像分割モデルの領域外性能と一般化能力について検討した。
健常者および多嚢胞性腎疾患(PKD)患者の非コントラスト・造影CT所見から得られたデータセット
多様なデータでトレーニングされたモデルでは、ドメイン内のデータでのみトレーニングされたモデルよりもパフォーマンスが悪くなかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: This study evaluated the out-of-domain performance and
generalization capabilities of automated medical image segmentation models,
with a particular focus on adaptation to new image acquisitions and disease
type.
Materials: Datasets from both non-contrast and contrast-enhanced abdominal CT
scans of healthy patients and those with polycystic kidney disease (PKD) were
used. A total of 400 images (100 non-contrast controls, 100 contrast controls,
100 non-contrast PKD, 100 contrast PKD) were utilized for training/validation
of models to segment kidneys, livers, and spleens, and the final models were
then tested on 100 non-contrast CT images of patients affected by PKD.
Performance was evaluated using Dice, Jaccard, TPR, and Precision.
Results: Models trained on a diverse range of data showed no worse
performance than models trained exclusively on in-domain data when tested on
in-domain data. For instance, the Dice similarity of the model trained on 25%
from each dataset was found to be non-inferior to the model trained purely on
in-domain data.
Conclusions: The results indicate that broader training examples
significantly enhances model generalization and out-of-domain performance,
thereby improving automated segmentation tools' applicability in clinical
settings. The study's findings provide a roadmap for future research to adopt a
data-centric approach in medical image AI model development.
- Abstract（参考訳）: 目的: 医用画像セグメンテーションモデルの領域外性能と一般化能力を評価し, 新たな画像取得と疾患タイプへの適応に焦点をあてた。
材料: 健常者および多嚢胞性腎疾患(PKD)患者の非コントラストおよび造影腹部CTのデータセットを用いて検討した。
腎臓,肝臓,脾臓を分画するモデルのトレーニング・検証には,400枚の画像(非コントラストコントロール100枚,コントラストコントロール100枚,非コントラストPKD100枚,コントラストPKD100枚)を使用し,PKD患者100枚の非コントラストCT画像に対して最終モデルを試験した。
Dice, Jaccard, TPR, Precision を用いて評価した。
結果: 多様なデータでトレーニングされたモデルは、ドメイン内のデータでテストされた場合のみにトレーニングされたモデルよりもパフォーマンスが悪くなかった。
例えば、各データセットから25%でトレーニングされたモデルのDice類似性は、ドメイン内のデータで純粋にトレーニングされたモデルと非同等であることが判明した。
結論: 幅広いトレーニング例がモデルの一般化とドメイン外のパフォーマンスを著しく向上し, 臨床現場におけるセグメンテーション自動化ツールの適用性が向上した。
この研究の結果は、医療画像AIモデル開発にデータ中心のアプローチを採用するための将来の研究のロードマップを提供する。
関連論文リスト
- On the Out of Distribution Robustness of Foundation Models in Medical
Image Segmentation [47.95611203419802]
視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。
一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。
さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
論文 参考訳（メタデータ） (2023-11-18T14:52:10Z) - A quality assurance framework for real-time monitoring of deep learning
segmentation models in radiotherapy [3.5752677591512487]
この研究は、品質保証フレームワークを確立するために、心臓のサブ構造セグメンテーションを例として用いている。
心電図(CT)画像と241例の心電図を用いたベンチマークデータセットを収集した。
訓練されたDenoising Autoencoder(DAE)と2つの手動特徴を利用して画像領域シフト検出器を開発した。
Dice similarity coefficient (DSC) を用いて患者ごとのセグメンテーション精度を予測するための回帰モデルを構築した。
論文 参考訳（メタデータ） (2023-05-19T14:51:05Z) - An Ensemble Method to Automatically Grade Diabetic Retinopathy with
Optical Coherence Tomography Angiography Images [4.640835690336653]
糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。
まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。
最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
論文 参考訳（メタデータ） (2022-12-12T22:06:47Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳（メタデータ） (2022-08-11T15:16:40Z) - Explaining medical AI performance disparities across sites with
confounder Shapley value analysis [8.785345834486057]
マルチサイト評価は、このような格差を診断する鍵となる。
本フレームワークは,各種類のバイアスが全体の性能差に与える影響を定量化する手法を提供する。
本研究は, 深部学習モデルを用いて気胸の有無を検知し, その有用性を実証するものである。
論文 参考訳（メタデータ） (2021-11-12T18:54:10Z) - Systematic investigation into generalization of COVID-19 CT deep
learning models with Gabor ensemble for lung involvement scoring [9.94980188821453]
本研究は,COVID-19 CTデータを用いたキーパブリッシュモデルの一般化可能性について検討する。
次に、独立した新しいデータセットを使用して、新型コロナウイルスの重症度に関するこれらのモデルの予測能力を評価する。
論文 参考訳（メタデータ） (2021-04-20T03:49:48Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - A Deep Learning-Based Method for Automatic Segmentation of Proximal
Femur from Quantitative Computed Tomography Images [5.731199807877257]
我々は、エンドツーエンドの完全畳み込みニューラルネットワーク(CNN)であるV on-Netに基づく3次元画像分割法を開発した。
提案手法の有効性を評価する実験を行った。
論文 参考訳（メタデータ） (2020-06-09T21:16:47Z) - 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。