論文の概要: SegQC: a segmentation network-based framework for multi-metric segmentation quality control and segmentation error detection in volumetric medical images

• arxiv url: http://arxiv.org/abs/2411.07601v1
• Date: Tue, 12 Nov 2024 07:24:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:17:43.639867
• Title: SegQC: a segmentation network-based framework for multi-metric segmentation quality control and segmentation error detection in volumetric medical images
• Title（参考訳）: SegQC: 容積医用画像におけるマルチメトリックセグメンテーション品質制御とセグメンテーション誤り検出のためのセグメンテーションネットワークベースのフレームワーク
• Authors: Bella Specktor-Fadida, Liat Ben-Sira, Dafna Ben-Bashat, Leo Joskowicz,
• Abstract要約: 本稿では,セグメンテーション品質推定とセグメンテーション誤差検出のための新しいフレームワークであるSegQCを紹介する。 SegQCは、ボリュームスキャンと個々のスライスにおけるセグメンテーションの品質を推定する。 胎児MRI198例(胎児脳,胎児体,胎盤の3つの胎児構造のSegQCについて検討した。
• 参考スコア（独自算出の注目度）: 3.690185926358616
• License:
• Abstract: Quality control of structures segmentation in volumetric medical images is important for identifying segmentation errors in clinical practice and for facilitating model development. This paper introduces SegQC, a novel framework for segmentation quality estimation and segmentation error detection. SegQC computes an estimate measure of the quality of a segmentation in volumetric scans and in their individual slices and identifies possible segmentation error regions within a slice. The key components include: 1. SegQC-Net, a deep network that inputs a scan and its segmentation mask and outputs segmentation error probabilities for each voxel in the scan; 2. three new segmentation quality metrics, two overlap metrics and a structure size metric, computed from the segmentation error probabilities; 3. a new method for detecting possible segmentation errors in scan slices computed from the segmentation error probabilities. We introduce a new evaluation scheme to measure segmentation error discrepancies based on an expert radiologist corrections of automatically produced segmentations that yields smaller observer variability and is closer to actual segmentation errors. We demonstrate SegQC on three fetal structures in 198 fetal MRI scans: fetal brain, fetal body and the placenta. To assess the benefits of SegQC, we compare it to the unsupervised Test Time Augmentation (TTA)-based quality estimation. Our studies indicate that SegQC outperforms TTA-based quality estimation in terms of Pearson correlation and MAE for fetal body and fetal brain structures segmentation. Our segmentation error detection method achieved recall and precision rates of 0.77 and 0.48 for fetal body, and 0.74 and 0.55 for fetal brain segmentation error detection respectively. SegQC enhances segmentation metrics estimation for whole scans and individual slices, as well as provides error regions detection.
• Abstract（参考訳）: 臨床実習におけるセグメンテーションエラーの同定とモデル開発を容易にするために, ボリューム医療画像における構造セグメンテーションの品質管理が重要である。 本稿では,セグメンテーション品質推定とセグメンテーション誤差検出のための新しいフレームワークであるSegQCを紹介する。 SegQCは、ボリュームスキャンと個々のスライスにおけるセグメンテーションの品質を推定し、スライス内の可能性のあるセグメンテーションエラー領域を特定する。 主な構成要素は以下のとおりである。 1. スキャンとそのセグメンテーションマスクを入力し、スキャン中の各ボクセルに対するセグメンテーションエラー確率を出力するディープネットワークであるSegQC-Net 2. セグメンテーションの誤差確率から計算した3つの新しいセグメンテーション品質指標、2つの重複指標及び構造寸法指標 3. セグメント化誤差確率から計算したスキャンスライス中のセグメント化誤差を検出できる新しい手法。 本稿では,自動生成セグメンテーションの専門的放射線学的な補正に基づいて,セグメンテーション誤差を計測する新たな評価手法を提案する。 胎児MRI198例(胎児脳,胎児体,胎盤の3つの胎児構造のSegQCについて検討した。 SegQCの利点を評価するために、教師なしテスト時間拡張(TTA)ベースの品質評価と比較する。 以上の結果から,SegQCは胎児と胎児の脳構造区分におけるピアソン相関とMAEにおいて,TTAによる品質評価よりも優れていたことが示唆された。 本法では, 胎児体では0.77, 0.48, 胎児脳では0.74, 0.55の再現率を得た。 SegQCは、スキャン全体と個々のスライスに対するセグメンテーションメトリクスの推定を強化し、エラー領域の検出を提供する。

関連論文リスト

• Geometric Learning-Based Transformer Network for Estimation of Segmentation Errors [1.376408511310322]
  そこで本研究では,セグメントマップ内の誤り領域を同定し,測定する手法を提案する。 提案手法は, 疑似ボリューム分割マップから生成された3次元メッシュの任意の点やノードにおける誤差を推定できる。 我々は,ヒト内耳骨迷路構造の高分解能マイクロCTデータセットを用いてネットワークの評価を行った。
  論文  参考訳（メタデータ） (2023-08-09T16:58:03Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
  本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。 提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。 NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
  論文  参考訳（メタデータ） (2022-04-16T18:00:29Z)
• TraSeTR: Track-to-Segment Transformer with Contrastive Query for Instance-level Instrument Segmentation in Robotic Surgery [60.439434751619736]
  そこで我々は,TraSeTRを提案する。TraSeTR,TraSeTR,Trace-to-Segment Transformerは,手術器具のセグメンテーションを支援する。 TraSeTRは、機器の種類、位置、アイデンティティとインスタンスレベルの予測を共同で理由付けている。 提案手法の有効性を,3つの公開データセットに対して,最先端の計器型セグメンテーション結果を用いて実証した。
  論文  参考訳（メタデータ） (2022-02-17T05:52:18Z)
• Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
  我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。 現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-10-17T08:49:33Z)
• Upgraded W-Net with Attention Gates and its Application in Unsupervised 3D Liver Segmentation [0.0]
  自動セグメンテーションのための教師なしディープラーニングに基づくアプローチを提案する。 我々はW-Netアーキテクチャを使用し、それを3Dボリュームに適用できるように修正した。 提案法は,手動セグメンテーションと比較して肝臓セグメンテーションに対するサイス係数0.88で有望な結果を示した。
  論文  参考訳（メタデータ） (2020-11-20T21:45:28Z)
• Automatic segmentation with detection of local segmentation failures in cardiac MRI [1.281734910003263]
  3つの最先端の畳み込みニューラルネットワーク(CNN)をトレーニングし、心臓解剖学的構造を自動的に分割した。 MICCAI 2017 ACDCチャレンジで公開されているCMRスキャンを用いて,CNNアーキテクチャとセグメンテーションにおける損失関数の影響を検討した。 自動セグメンテーションと検出されたセグメンテーション障害のシミュレートされた手動補正を組み合わせることで,統計的に有意な性能向上が得られた。
  論文  参考訳（メタデータ） (2020-11-13T17:19:05Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。