論文の概要: Expert-Level Annotation Quality Achieved by Gamified Crowdsourcing for B-line Segmentation in Lung Ultrasound

• arxiv url: http://arxiv.org/abs/2312.10198v1
• Date: Fri, 15 Dec 2023 20:54:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-19 18:00:42.005050
• Title: Expert-Level Annotation Quality Achieved by Gamified Crowdsourcing for B-line Segmentation in Lung Ultrasound
• Title（参考訳）: ガス化クラウドソーシングによる肺超音波B線分画のエキスパートレベルアノテーション品質
• Authors: Mike Jin, Nicole M Duggan, Varoon Bashyakarla, Maria Alejandra Duran Mendicuti, Stephen Hallisey, Denie Bernier, Joseph Stegeman, Erik Duhaime, Tina Kapur, Andrew J Goldsmith
• Abstract要約: ゲーミフィケードクラウドソーシングは、医療データに対する高精度なアノテーションを大規模に取得する可能性を示している。 21,154点の注釈を収集し,B線分画(肺の混雑の指標)を留置した。
• 参考スコア（独自算出の注目度）: 1.7398789395219088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and scalable annotation of medical data is critical for the development of medical AI, but obtaining time for annotation from medical experts is challenging. Gamified crowdsourcing has demonstrated potential for obtaining highly accurate annotations for medical data at scale, and we demonstrate the same in this study for the segmentation of B-lines, an indicator of pulmonary congestion, on still frames within point-of-care lung ultrasound clips. We collected 21,154 annotations from 214 annotators over 2.5 days, and we demonstrated that the concordance of crowd consensus segmentations with reference standards exceeds that of individual experts with the same reference standards, both in terms of B-line count (mean squared error 0.239 vs. 0.308, p<0.05) as well as the spatial precision of B-line annotations (mean Dice-H score 0.755 vs. 0.643, p<0.05). These results suggest that expert-quality segmentations can be achieved using gamified crowdsourcing.
• Abstract（参考訳）: 医療データの正確でスケーラブルなアノテーションは、医療用AIの開発には不可欠だが、医療専門家からアノテーションの時間を得るのは難しい。 ガミファイド・クラウドソーシングは, 医療データに対する高精度なアノテーションを大規模に取得する可能性を示しており, 本研究は, 肺の混雑の指標であるB線を, 気管内の静止フレームに分画する上でも同様であることを示した。 2.5日間で214の注釈から21,154のアノテーションを収集し,B行数(平均2乗誤差0.239 vs. 0.308, p<0.05)とB行アノテーション(平均Dice-H score 0.755 vs. 0.643, p<0.05)の両点において,参照基準との一致が同一の基準を持つ個々の専門家の一致を上回ることを示した。 これらの結果は,ゲーム化クラウドソーシングによってエキスパート品質のセグメンテーションを実現することを示唆する。

関連論文リスト

• Detecting and clustering swallow events in esophageal long-term high-resolution manometry [48.688209040613216]
  深達度学習に基づく飲み込み検出法を提案し, 二次性非解離性食道運動障害を正確に同定する。 われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。
  論文  参考訳（メタデータ） (2024-05-02T09:41:31Z)
• Gamified Crowdsourcing as a Novel Approach to Lung Ultrasound Dataset Labeling [2.0776694685271284]
  機械学習モデルには高度な医用画像処理があり、より高速で正確な診断を行うことができる。 画像データが豊富にあるにもかかわらず、モデルトレーニングのための高品質なラベル付きデータが不足している。 評価基準を組み込んだゲーミフィケーション・クラウドソーシング・プラットフォームが,臨床専門家に匹敵する肺超音波クリップラベルを作成できるかどうかを検討した。
  論文  参考訳（メタデータ） (2023-06-11T20:59:48Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Learning to segment prostate cancer by aggressiveness from scribbles in bi-parametric MRI [0.0]
  弱いアノテーションに基づくMRIにおけるアグレッシブネスによる前立腺癌セグメンテーションの課題に対処する深層U-Netモデルを提案する。 トレーニングには6.35%のボクセルしか使用せず,完全教師付きベースラインにアプローチできることが示唆された。 コーエンのカッパスコアは弱いモデルでは 0.29 $pm$ 0.07 であり,ベースラインでは 0.32 $pm$ 0.05 である。
  論文  参考訳（メタデータ） (2022-07-01T11:52:05Z)
• MedDistant19: A Challenging Benchmark for Distantly Supervised Biomedical Relation Extraction [19.046156065686308]
  遠隔監視は、注釈付きデータの不足に対処するために一般的に使用される。 バイオDSREモデルは、いくつかのベンチマークで非常に正確な結果が得られるように見える。 しかし,タスクの難易度を考慮し,このような印象的な結果の有効性について検討した。
  論文  参考訳（メタデータ） (2022-04-10T22:07:25Z)
• Analysis of an adaptive lead weighted ResNet for multiclass classification of 12-lead ECGs [1.155818089388109]
  12個の心電図から24個の心の異常を分類するために,アンサンブル深部ニューラルネットワークアーキテクチャを記述,解析した。 5倍のクロスバリデーションスコアが0.684, 感度と特異性は0.758, 0.969であった。
  論文  参考訳（メタデータ） (2021-12-01T15:44:52Z)
• Learning Inductive Attention Guidance for Partially Supervised Pancreatic Ductal Adenocarcinoma Prediction [73.96902906734522]
  膵管腺癌(PDAC)は、アメリカ合衆国で3番目に多いがん死の原因である。 本稿では,全てのトレーニングデータに対して安価な画像レベルのアノテーションが提供され,それらのサブセットに対してのみ,コストのかかるvoxelアノテーションが利用可能となる,部分教師付き設定について考察する。 Inductive Attention Guidance Network (IAG-Net) を提案し、通常の/PDAC分類のためのグローバル画像レベルの分類器と半教師付きPDAC分類のためのローカルボクセルレベルの分類器を共同で学習する。
  論文  参考訳（メタデータ） (2021-05-31T08:16:09Z)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)

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。