論文の概要: Quantifying the Impact of Population Shift Across Age and Sex for Abdominal Organ Segmentation
- arxiv url: http://arxiv.org/abs/2408.04610v1
- Date: Thu, 8 Aug 2024 17:28:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-09 14:48:21.037281
- Title: Quantifying the Impact of Population Shift Across Age and Sex for Abdominal Organ Segmentation
- Title（参考訳）: 腹部臓器切開術における年齢・性別間の集団移動の影響の定量化
- Authors: Kate Čevora, Ben Glocker, Wenjia Bai,
- Abstract要約: 年齢,性別による人口移動が腹部CT画像のセグメント化に及ぼす影響について検討した。
また, 腹部臓器の分節化において, 人口移動は, クロスデータセットシフトと類似した課題であることが判明した。
以上の結果から,既知の患者特性の点におけるデータセットの多様性は,画像の特徴の点におけるデータセットの多様性と必ずしも同等ではない,という結論が得られた。
- 参考スコア（独自算出の注目度）: 15.546560764326541
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based medical image segmentation has seen tremendous progress over the last decade, but there is still relatively little transfer into clinical practice. One of the main barriers is the challenge of domain generalisation, which requires segmentation models to maintain high performance across a wide distribution of image data. This challenge is amplified by the many factors that contribute to the diverse appearance of medical images, such as acquisition conditions and patient characteristics. The impact of shifting patient characteristics such as age and sex on segmentation performance remains relatively under-studied, especially for abdominal organs, despite that this is crucial for ensuring the fairness of the segmentation model. We perform the first study to determine the impact of population shift with respect to age and sex on abdominal CT image segmentation, by leveraging two large public datasets, and introduce a novel metric to quantify the impact. We find that population shift is a challenge similar in magnitude to cross-dataset shift for abdominal organ segmentation, and that the effect is asymmetric and dataset-dependent. We conclude that dataset diversity in terms of known patient characteristics is not necessarily equivalent to dataset diversity in terms of image features. This implies that simple population matching to ensure good generalisation and fairness may be insufficient, and we recommend that fairness research should be directed towards better understanding and quantifying medical image dataset diversity in terms of performance-relevant characteristics such as organ morphology.
- Abstract（参考訳）: 深層学習に基づく医療画像のセグメンテーションは、過去10年間で飛躍的な進歩を遂げてきたが、臨床実践への移行は比較的少ない。
主な障壁の1つは、領域一般化の課題であり、画像データの広範囲にわたるハイパフォーマンスを維持するためにセグメンテーションモデルが必要である。
この課題は、取得条件や患者の特徴など、様々な医療画像の出現に寄与する多くの要因によって増幅される。
年齢や性別などの患者特性の変化がセグメンテーションのパフォーマンスに与える影響は,特に腹部臓器では比較的研究されていないが,これはセグメンテーションモデルの公平性を確保する上で重要である。
本研究は, 年齢, 性別による人口移動が腹部CT画像のセグメンテーションに与える影響を, 2つの大きな公開データセットを用いて調査し, その影響を定量化するための新しい指標を提案する。
腹部臓器の分節化において, 人口移動は, クロスデータセットシフトと同様の課題であり, その効果は非対称であり, データセット依存であることがわかった。
以上の結果から,既知の患者特性の点におけるデータセットの多様性は,画像の特徴の点におけるデータセットの多様性と必ずしも同等ではない,という結論が得られた。
このことは, 適切な一般化と公平性を確保するための単純な集団マッチングが不十分である可能性を示唆し, 臓器形態学などのパフォーマンス関連特性の観点から, 医療画像データセットの多様性をよりよく理解し定量化するための公正性研究を推奨する。
関連論文リスト
- An Empirical Study on the Fairness of Foundation Models for Multi-Organ Image Segmentation [15.377701636336784]
肝臓, 腎臓, 脾臓, 肺, 大動脈などの臓器の3次元MRIおよびCTのベンチマークデータセットを前向きに収集する。
本研究では, 性別, 年齢, 身体集団指数(BMI)などの人口統計の詳細を文書化し, 曖昧さの分析を容易にする。
様々な要因を考慮に入れた包括的分析により,これらの基礎モデルにおいて重要な公平性に関する懸念が浮かび上がっている。
論文 参考訳（メタデータ） (2024-06-18T14:14:04Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - 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) - From CNN to Transformer: A Review of Medical Image Segmentation Models [7.3150850275578145]
医用画像セグメンテーションのための深層学習が主流となっている。
本稿では,近年最も代表的な4つの医用画像セグメンテーションモデルについて調査する。
理論的にこれらのモデルの特徴を解析し、2つのベンチマークデータセット上でそれらの性能を定量的に評価する。
論文 参考訳（メタデータ） (2023-08-10T02:48:57Z) - Realistic Data Enrichment for Robust Image Segmentation in
Histopathology [2.248423960136122]
拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。
本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
論文 参考訳（メタデータ） (2023-04-19T09:52:50Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - Contrast Adaptive Tissue Classification by Alternating Segmentation and
Synthesis [0.21111026813272174]
本稿では,訓練データのコントラスト特性を入力画像に適応する交互セグメンテーションと合成ステップを用いたアプローチについて述べる。
このアプローチの顕著な利点は、そのコントラスト特性に適応するために取得プロトコルの1つの例だけが必要であることである。
論文 参考訳（メタデータ） (2021-03-04T00:25:24Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z)
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。