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
- 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) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - 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 image segmentation for cross-institution male pelvic organs
using registration-assisted prototypical learning [13.567073992605797]
本研究は,医用画像のための最初の3D画像間セグメンテーションネットワークを提案する。
興味のある8つの領域を持つ前立腺がん患者のラベル付き多施設データセットを使用する。
内蔵登録機構は、被験者間の一貫性のある解剖学の事前知識を効果的に活用することができる。
論文 参考訳(メタデータ) (2022-01-17T11:44:10Z) - 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。