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
- Latent Space Explorer: Visual Analytics for Multimodal Latent Space
Exploration [12.202104074544202]
大規模なデータセットからトレーニングされたマルチモーダル機械学習モデルは、心臓病の発症を予測する可能性がある。
Latent Space Explorerはインタラクティブな視覚化を提供しており、ユーザーは被写体のマルチモーダルな表現を探索することができる。
ユーザースタディは、医学の専門家とともに行われ、彼らのフィードバックは、ラテント・エクスプローラーが分析にどのように役立つかについての有益な洞察を提供した。
論文 参考訳(メタデータ) (2023-12-01T15:25:56Z) - Towards Medical Artificial General Intelligence via Knowledge-Enhanced
Multimodal Pretraining [121.89793208683625]
医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。
我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-04-26T01:26:19Z) - 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) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳(メタデータ) (2022-09-21T12:30:05Z) - Doctor Recommendation in Online Health Forums via Expertise Learning [12.264865055778388]
本稿では,患者を専門知識を持つ医師に自動ペア化するための,医師推薦の新たな課題について検討する。
本研究は, 他患者とのプロフィールと過去の対話の併用効果について検討し, 自己学習による対話を探求するものである。
実験のためには、中国のオンライン健康フォーラムであるChunyu Yishengから大規模なデータセットが収集されている。
論文 参考訳(メタデータ) (2022-03-06T10:39:48Z) - Anomaly Detection in Medical Imaging -- A Mini Review [0.8122270502556374]
本稿では,医療画像における関連異常検出論文の半発掘文献レビューを用いて,アプリケーションをクラスタリングする。
主な結果は、ラベル付きデータの必要性を減らすことで、現在の研究が主に動機付けされていることを示している。
また、脳MRI領域における多くの研究が成功し、OCTや胸部X線といったさらなる領域への応用の可能性を示している。
論文 参考訳(メタデータ) (2021-08-25T11:45:40Z) - 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) - 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) - Universal Model for Multi-Domain Medical Image Retrieval [88.67940265012638]
医用画像検索(MIR)は、医師が類似した患者のデータを素早く見つけるのに役立つ。
MIRはデジタル画像モダリティの多用により、ますます役に立ちつつある。
しかし、病院における様々なデジタル画像モダリティの人気もまた、MIRにいくつかの課題をもたらしている。
論文 参考訳(メタデータ) (2020-07-14T23:22:04Z) - A Survey on Incorporating Domain Knowledge into Deep Learning for
Medical Image Analysis [38.90186125141749]
医療データセットの小型化は、ディープラーニングにおいて依然として大きなボトルネックとなっている。
従来のアプローチでは、移動学習を通じて自然画像からの情報を活用していた。
近年の研究では、医師の知識を活用して、医師の訓練方法に似たネットワークを構築している。
論文 参考訳(メタデータ) (2020-04-25T14:27:47Z)
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。