論文の概要: Learning Unbiased Image Segmentation: A Case Study with Plain Knee Radiographs

• arxiv url: http://arxiv.org/abs/2308.04356v1
• Date: Tue, 8 Aug 2023 16:01:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-09 12:17:24.519101
• Title: Learning Unbiased Image Segmentation: A Case Study with Plain Knee Radiographs
• Title（参考訳）: 無バイアス画像分割の学習 : プレーン膝X線撮影を例に
• Authors: Nickolas Littlefield, Johannes F. Plate, Kurt R. Weiss, Ines Lohse, Avani Chhabra, Ismaeel A. Siddiqui, Zoe Menezes, George Mastorakos, Sakshi Mehul Thakar, Mehrnaz Abedian, Matthew F. Gong, Luke A. Carlson, Hamidreza Moradi, Soheyla Amirian, and Ahmad P. Tafti
• Abstract要約: 本研究は, 身近な性別や人種的偏見を明らかにするために, 平易なX線写真を用いて, 深層学習による膝骨解剖の分類を再検討することを目的とする。 提案された緩和戦略は、性別と人種の偏見を緩和し、公平で偏見のないセグメンテーション結果を保証する。
• 参考スコア（独自算出の注目度）: 0.4174498230885008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic segmentation of knee bony anatomy is essential in orthopedics, and it has been around for several years in both pre-operative and post-operative settings. While deep learning algorithms have demonstrated exceptional performance in medical image analysis, the assessment of fairness and potential biases within these models remains limited. This study aims to revisit deep learning-powered knee-bony anatomy segmentation using plain radiographs to uncover visible gender and racial biases. The current contribution offers the potential to advance our understanding of biases, and it provides practical insights for researchers and practitioners in medical imaging. The proposed mitigation strategies mitigate gender and racial biases, ensuring fair and unbiased segmentation results. Furthermore, this work promotes equal access to accurate diagnoses and treatment outcomes for diverse patient populations, fostering equitable and inclusive healthcare provision.
• Abstract（参考訳）: 膝骨骨解剖の自動分節化は整形外科において必須であり,術前および術後のいずれにおいても数年にわたって行われている。 深層学習アルゴリズムは医用画像解析において異常な性能を示しているが、これらのモデルにおける公平性と潜在的なバイアスの評価は限られている。 本研究では,単純x線写真を用いた深層学習による膝骨解剖学的セグメント化を再考し,視認性や人種バイアスを明らかにすることを目的とした。 現在の貢献はバイアスに対する理解を深める可能性を提供し、医療画像の研究者や実践者に実践的な洞察を提供する。 提案された緩和戦略は、男女の偏見を緩和し、公平で偏見のないセグメンテーション結果を保証する。 さらに本研究は, 多様な患者集団の正確な診断と治療結果への平等なアクセスを促進し, 公平かつ包括的な医療提供を促進する。

関連論文リスト

• Debias-CLR: A Contrastive Learning Based Debiasing Method for Algorithmic Fairness in Healthcare Applications [0.17624347338410748]
  異なる治療と戦うために,暗黙の処理内脱バイアス法を提案した。 心不全患者の臨床記録と診断基準,治療報告,生理的活力について検討した。 Debias-CLRは、性別や民族を嫌う場合に、SC-WEAT(Single-Category Word Embedding Association Test)の効果を減少させることができた。
  論文  参考訳（メタデータ） (2024-11-15T19:32:01Z)
• 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)
• Unsupervised bias discovery in medical image segmentation [6.169194620442498]
  医学画像における解剖学的セグメンテーションのためのディープラーニングモデルは、特定のサブ集団に対するバイアスを示すことができる。 そこで本研究では,バイオメディカルイメージセグメンテーションのモデルバイアスを予測できる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T13:29:26Z)
• Discrimination of Radiologists Utilizing Eye-Tracking Technology and Machine Learning: A Case Study [0.9142067094647588]
  本研究では,効率的な幾何アライメントのためのバイナリ固定データに基づく新しい離散化特徴符号化を提案する。 眼球固定データの符号化された特徴は、教員と研修生の放射線技師を識別するために機械学習分類器によって使用される。
  論文  参考訳（メタデータ） (2023-08-04T23:51:47Z)
• Region-based Contrastive Pretraining for Medical Image Retrieval with Anatomic Query [56.54255735943497]
  医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR) 医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
  論文  参考訳（メタデータ） (2023-05-09T16:46:33Z)
• Improving Radiology Summarization with Radiograph and Anatomy Prompts [60.30659124918211]
  本稿では,印象生成を促進するために,新しい解剖学的拡張型マルチモーダルモデルを提案する。 より詳しくは、まず、解剖学を抽出する一連のルールを構築し、各文にこれらのプロンプトを配置し、解剖学的特徴を強調する。 コントラスト学習モジュールを用いて、これらの2つの表現を全体レベルで整列させ、コアテンションを用いて文レベルで融合させる。
  論文  参考訳（メタデータ） (2022-10-15T14:05:03Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Towards a Guideline for Evaluation Metrics in Medical Image Segmentation [0.0]
  本研究は、医療画像分割評価のための以下の指標の概要と解釈ガイドを提供する。 要約として,標準化された医用画像分割評価のためのガイドラインを提案する。
  論文  参考訳（メタデータ） (2022-02-10T13:38:05Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Risk of Training Diagnostic Algorithms on Data with Demographic Bias [0.5599792629509227]
  医用画像解析アプリケーションにおけるMICCAI 2018の実践を調査するために,MICCAI 2018の手順を調査した。 意外なことに、診断に焦点を当てた論文では、使用されるデータセットの人口統計がほとんど書かれていないことが判明した。 本研究では,非偏りのある特徴を,対向的な学習環境において,人口統計変数を明示的に使用することにより学習可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-20T13:51:01Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。