論文の概要: MedUHIP: Towards Human-In-the-Loop Medical Segmentation

• arxiv url: http://arxiv.org/abs/2408.01620v1
• Date: Sat, 3 Aug 2024 01:06:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 19:20:31.913715
• Title: MedUHIP: Towards Human-In-the-Loop Medical Segmentation
• Title（参考訳）: MedUHIP: 医療セグメントの人間化に向けて
• Authors: Jiayuan Zhu, Junde Wu,
• Abstract要約: 医用画像のセグメンテーションは、固有の不確実性によって特に複雑である。 我々はtextbfuncertainty-aware モデルと textbf Human-in-the-loop 相互作用を統合する新しいアプローチを提案する。 提案手法は,決定論的および不確実性を考慮したモデルよりも優れたセグメンテーション能力を示す。
• 参考スコア（独自算出の注目度）: 5.520419627866446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although segmenting natural images has shown impressive performance, these techniques cannot be directly applied to medical image segmentation. Medical image segmentation is particularly complicated by inherent uncertainties. For instance, the ambiguous boundaries of tissues can lead to diverse but plausible annotations from different clinicians. These uncertainties cause significant discrepancies in clinical interpretations and impact subsequent medical interventions. Therefore, achieving quantitative segmentations from uncertain medical images becomes crucial in clinical practice. To address this, we propose a novel approach that integrates an \textbf{uncertainty-aware model} with \textbf{human-in-the-loop interaction}. The uncertainty-aware model proposes several plausible segmentations to address the uncertainties inherent in medical images, while the human-in-the-loop interaction iteratively modifies the segmentation under clinician supervision. This collaborative model ensures that segmentation is not solely dependent on automated techniques but is also refined through clinician expertise. As a result, our approach represents a significant advancement in the field which enhances the safety of medical image segmentation. It not only offers a comprehensive solution to produce quantitative segmentation from inherent uncertain medical images, but also establishes a synergistic balance between algorithmic precision and clincian knowledge. We evaluated our method on various publicly available multi-clinician annotated datasets: REFUGE2, LIDC-IDRI and QUBIQ. Our method showcases superior segmentation capabilities, outperforming a wide range of deterministic and uncertainty-aware models. We also demonstrated that our model produced significantly better results with fewer interactions compared to previous interactive models. We will release the code to foster further research in this area.
• Abstract（参考訳）: 自然画像のセグメンテーションは目覚ましい性能を示したが、これらの技術は医用画像セグメンテーションに直接適用することはできない。 医用画像のセグメンテーションは、固有の不確実性によって特に複雑である。 例えば、組織の曖昧な境界は、異なる臨床医の多様だがもっともらしいアノテーションにつながる可能性がある。 これらの不確実性は臨床解釈に重大な違いをもたらし、その後の医療介入に影響を及ぼす。 したがって,不確実な医用画像から定量的なセグメンテーションを実現することは臨床実践において重要である。 この問題に対処するため,新しいアプローチを提案し,そのアプローチは \textbf{uncertainty-aware model} と \textbf{ Human-in-the-loop interaction} を統合する。 不確実性認識モデルは、医療画像に固有の不確実性に対処するために、いくつかの妥当なセグメンテーションを提案し、一方、ヒトとループ間の相互作用は、臨床監督下でのセグメンテーションを反復的に修正する。 この協調モデルは、セグメンテーションが自動化技術にのみ依存するのではなく、臨床の専門知識によって洗練されることを保証する。 その結果,医用画像のセグメンテーションの安全性が向上する分野において,本手法は大きな進歩を示している。 それは、固有の不確実な医療画像から定量的セグメンテーションを生成するための包括的なソリューションを提供するだけでなく、アルゴリズムの精度とクリニア知識の相乗的バランスを確立する。 提案手法は,REFUGE2,LIDC-IDRI,QUBIQなど,公開されている多言語アノテートデータセットを用いて評価した。 提案手法は,決定論的および不確実性を考慮したモデルよりも優れたセグメンテーション能力を示す。 また,従来の対話型モデルと比較して,インタラクションの少ないモデルの方が有意に優れた結果が得られることを示した。 この分野のさらなる研究を促進するために、コードを公開します。

関連論文リスト

• Enhancing Medical Image Segmentation with Deep Learning and Diffusion Models [7.53596352508181]
  正確な臨床診断には医用画像分割が不可欠である。 病変と正常な組織とのコントラストの低さ、境界の曖昧さ、患者間の高いばらつきといった課題に直面している。 ディープラーニングはセグメンテーションの精度と効率を改善したが、それでも専門家のアノテーションに大きく依存している。 本稿では,医療画像のセグメンテーションの重要性,現在のディープラーニングアプローチの限界,これらの課題に対処するための拡散モデルの可能性について論じる。
  論文  参考訳（メタデータ） (2024-11-21T17:49:15Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• 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)
• Swin Deformable Attention Hybrid U-Net for Medical Image Segmentation [3.407509559779547]
  そこで本研究では,Swin(Shifted Window)デフォルマブル・アテンションをハイブリッドアーキテクチャに組み込んでセグメンテーション性能を向上させることを提案する。 提案するSwing Deformable Attention Hybrid UNet (SDAH-UNet) は解剖学的および病変分割作業における最先端の性能を示す。
  論文  参考訳（メタデータ） (2023-02-28T09:54:53Z)
• Multi-Modal Evaluation Approach for Medical Image Segmentation [4.989480853499916]
  本稿では,異なるセグメンテーション手法の有効性を評価するために,新しいマルチモーダル評価(MME)手法を提案する。 本稿では, 検出特性, 境界アライメント, 均一性, 総体積, 相対体積など, 関連性, 解釈可能な新しい特徴を紹介する。 提案するアプローチはオープンソースで,使用することができる。
  論文  参考訳（メタデータ） (2023-02-08T15:31:33Z)
• CRISP - Reliable Uncertainty Estimation for Medical Image Segmentation [6.197149831796131]
  本研究では,不確実性予測のためのCRISPをContRastive Imageとして提案する。 CRISPはその中核として、有効なセグメンテーションの分布を符号化するジョイント潜在空間を学習するためのコントラスト的手法を実装している。 この共同潜伏空間を用いて予測を数千の潜伏ベクトルと比較し、解剖学的に一貫した不確実性写像を提供する。
  論文  参考訳（メタデータ） (2022-06-15T16:56:58Z)
• Using Soft Labels to Model Uncertainty in Medical Image Segmentation [0.0]
  複数の医師のアノテーションからソフトラベルを得るための簡易な手法を提案する。 各画像に対して,複数の信頼度でしきい値に閾値を設定できる1つのよく校正された出力を生成する。 提案手法をMICCAI 2021 QUBIQチャレンジで評価し,複数の医用画像セグメンテーションタスクで良好に動作することを示した。
  論文  参考訳（メタデータ） (2021-09-26T14:47:18Z)
• 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)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• 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)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。