論文の概要: Deep Learning for Medical Image Segmentation with Imprecise Annotation

• arxiv url: http://arxiv.org/abs/2402.07330v1
• Date: Sun, 11 Feb 2024 23:39:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-13 16:06:03.071981
• Title: Deep Learning for Medical Image Segmentation with Imprecise Annotation
• Title（参考訳）: 不正確なアノテーションを用いた医用画像分割のための深層学習
• Authors: Binyan Hu and A. K. Qin
• Abstract要約: 本研究では,新しい医師に対するモデルの適応性を高めるために,マルチエキスパートアノテーションの利用について検討する。 実験結果から,マルチエキスパートアノテーションを用いたデータセットでトレーニングしたモデルが,新たな医師を効果的に支援できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.5863809575305416
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation (MIS) plays an instrumental role in medical image analysis, where considerable efforts have been devoted to automating the process. Currently, mainstream MIS approaches are based on deep neural networks (DNNs) which are typically trained on a dataset that contains annotation masks produced by doctors. However, in the medical domain, the annotation masks generated by different doctors can inherently vary because a doctor may unnecessarily produce precise and unique annotations to meet the goal of diagnosis. Therefore, the DNN model trained on the data annotated by certain doctors, often just a single doctor, could undesirably favour those doctors who annotate the training data, leading to the unsatisfaction of a new doctor who will use the trained model. To address this issue, this work investigates the utilization of multi-expert annotation to enhance the adaptability of the model to a new doctor and we conduct a pilot study on the MRI brain segmentation task. Experimental results demonstrate that the model trained on a dataset with multi-expert annotation can efficiently cater for a new doctor, after lightweight fine-tuning on just a few annotations from the new doctor.
• Abstract（参考訳）: 医療画像セグメンテーション(MIS)は、医療画像解析において重要な役割を担い、そのプロセスの自動化に多大な努力が注がれている。 現在、メインストリームMISアプローチは、医師が生成するアノテーションマスクを含むデータセットに基づいてトレーニングされるディープニューラルネットワーク(DNN)に基づいている。 しかし、医学領域では、診断の目的を満たすために医師が不必要に正確でユニークなアノテーションを作成できるため、異なる医師が生成するアノテーションマスクが本質的に異なる場合がある。 そのため、特定の医師によって注釈付けされたデータに基づいて訓練されたDNNモデルは、トレーニングデータに注釈を付ける医師を好まざるを得ず、訓練されたモデルを使用する医師の不満を招きかねない。 そこで本研究では,新しい医師への適応性を高めるためのマルチエキスパートアノテーションの利用について検討し,MRI脳分節タスクのパイロット研究を行う。 実験の結果, マルチエキスパートアノテーションを用いたデータセットでトレーニングしたモデルは, 新しい医師のアノテーションを軽快に微調整した後, より効率的に新しい医師に適応できることがわかった。

関連論文リスト

• Towards a vision foundation model for comprehensive assessment of Cardiac MRI [11.838157772803282]
  心臓磁気共鳴画像(CMR)評価のための視覚基礎モデルを提案する。 CMRワークフローに典型的な9つの臨床的タスクについて、教師付き方法でモデルを微調整する。 すべてのタスクにおいて、ラベル付きデータセットサイズの範囲で、精度と堅牢性が改善されたことを実証する。
  論文  参考訳（メタデータ） (2024-10-02T15:32:01Z)
• LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
  知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。 我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。 LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
  論文  参考訳（メタデータ） (2024-09-29T03:56:21Z)
• 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)
• Self-Supervised-RCNN for Medical Image Segmentation with Limited Data Annotation [0.16490701092527607]
  ラベルなしMRIスキャンによる自己教師付き事前学習に基づく新たなディープラーニング学習戦略を提案する。 我々の事前学習アプローチはまず、ラベルのない画像のランダム領域に異なる歪みをランダムに適用し、次に歪みの種類と情報の損失を予測する。 異なる事前学習シナリオと微調整シナリオにおけるセグメンテーション課題に対する提案手法の有効性を評価する。
  論文  参考訳（メタデータ） (2022-07-17T13:28:52Z)
• U-Net-and-a-half: Convolutional network for biomedical image segmentation using multiple expert-driven annotations [6.682450741319984]
  バイオメディカルセグメンテーションのためのディープラーニングシステムは、専門家主導の手動注釈付きデータセットへのアクセスを必要とすることが多い。 ここでは、複数の専門家が同じ画像集合上で実行するアノテーションから同時に学習できる、U-Net-and-a-halfとして定義されるディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-10T13:08:39Z)
• Deep Learning Based Cardiac MRI Segmentation: Do We Need Experts? [12.36854197042851]
  非専門的な基盤データに基づいてトレーニングされたセグメンテーションニューラルネットワークは、すべての実用目的に対して、専門家の基盤データと同様に優れたものであることを示す。 我々は、心臓データセットのアノテーションを効率的かつ安価に作成する機会を強調した。
  論文  参考訳（メタデータ） (2021-07-23T20:10:58Z)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)
• 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)
• Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
  病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。 これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。 テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T20:05:35Z)
• Multiple Expert Brainstorming for Domain Adaptive Person Re-identification [140.3998019639158]
  本稿では、ドメイン適応型人物再IDのための複数の専門家ブレインストーミングネットワーク(MEB-Net)を提案する。 MEB-Netは、異なるアーキテクチャを持つ複数のネットワークをソースドメイン内で事前トレーニングする、相互学習戦略を採用している。 大規模データセットの実験は、最先端技術よりもMEB-Netの方が優れた性能を示している。
  論文  参考訳（メタデータ） (2020-07-03T08:16:19Z)

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。