論文の概要: SPA: Efficient User-Preference Alignment against Uncertainty in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2411.15513v1
• Date: Sat, 23 Nov 2024 10:27:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:19:14.022624
• Title: SPA: Efficient User-Preference Alignment against Uncertainty in Medical Image Segmentation
• Title（参考訳）: SPA: 医用画像分割における不確実性に対する効率的なユーザ設定
• Authors: Jiayuan Zhu, Junde Wu, Cheng Ouyang, Konstantinos Kamnitsas, Alison Noble,
• Abstract要約: textbfSPAは、人間との相互作用が最小限である様々なテストタイムの好みに効率的に適応する。 好みのセグメンテーションに達すると、臨床の作業量を減らす。 1) 既存の対話的セグメンテーションアプローチと比較して, 臨床時間と労力の大幅な削減が示されている。
• 参考スコア（独自算出の注目度）: 8.34233304138989
• License:
• Abstract: Medical image segmentation data inherently contain uncertainty, often stemming from both imperfect image quality and variability in labeling preferences on ambiguous pixels, which depend on annotators' expertise and the clinical context of the annotations. For instance, a boundary pixel might be labeled as tumor in diagnosis to avoid under-assessment of severity, but as normal tissue in radiotherapy to prevent damage to sensitive structures. As segmentation preferences vary across downstream applications, it is often desirable for an image segmentation model to offer user-adaptable predictions rather than a fixed output. While prior uncertainty-aware and interactive methods offer adaptability, they are inefficient at test time: uncertainty-aware models require users to choose from numerous similar outputs, while interactive models demand significant user input through click or box prompts to refine segmentation. To address these challenges, we propose \textbf{SPA}, a segmentation framework that efficiently adapts to diverse test-time preferences with minimal human interaction. By presenting users a select few, distinct segmentation candidates that best capture uncertainties, it reduces clinician workload in reaching the preferred segmentation. To accommodate user preference, we introduce a probabilistic mechanism that leverages user feedback to adapt model's segmentation preference. The proposed framework is evaluated on a diverse range of medical image segmentation tasks: color fundus images, CT, and MRI. It demonstrates 1) a significant reduction in clinician time and effort compared with existing interactive segmentation approaches, 2) strong adaptability based on human feedback, and 3) state-of-the-art image segmentation performance across diverse modalities and semantic labels.
• Abstract（参考訳）: 医用画像のセグメンテーションデータは本質的に不確実性を含んでおり、しばしば、アノテーションの専門知識や臨床状況に依存する曖昧なピクセルのラベル付けにおいて、不完全な画像品質と可変性の両方から生じる。 例えば、境界画素は、重度の過度な評価を避けるために診断において腫瘍とラベル付けされるが、放射線療法では正常な組織として、繊細な構造物の損傷を防ぐ。 セグメンテーションの嗜好は下流のアプリケーションによって異なるため、画像セグメンテーションモデルは、固定出力ではなく、ユーザ適応可能な予測を提供するのが望ましい。 従来の不確実性認識および対話的手法は、適応性を提供するが、テスト時には非効率である: 不確実性認識モデルは、ユーザーが多くの類似した出力から選択する必要がある一方で、インタラクティブモデルは、セグメンテーションを洗練するためにクリックまたはボックスプロンプトを通じてかなりのユーザ入力を要求する。 これらの課題に対処するために,人間のインタラクションを最小限に抑えた多種多様なテスト時間嗜好に効率的に適応するセグメンテーションフレームワークである \textbf{SPA} を提案する。 ユーザに対して、不確実性を最もよく捉えた、少数の個別のセグメンテーション候補を提示することにより、好ましいセグメンテーションに到達する際の臨床の作業量を削減できる。 ユーザの嗜好を満たすために,ユーザのフィードバックを利用してモデルのセグメンテーション嗜好に適応する確率的メカニズムを導入する。 提案するフレームワークは,カラーファンドス画像,CT,MRIなど,さまざまな医療画像セグメンテーションタスクに基づいて評価される。 それが示す 1) 既存の対話的セグメンテーションアプローチと比較して, クリニックの時間と労力が大幅に削減された。 2)人間のフィードバックに基づく強い適応性 3)様々なモダリティやセマンティックラベルにまたがる最先端の画像セグメンテーション性能。

関連論文リスト

• Assessing Test-time Variability for Interactive 3D Medical Image Segmentation with Diverse Point Prompts [13.08275555017179]
  多様なポイントプロンプトを用いたインタラクティブな医用画像分割のためのテスト時間変動の評価を行った。 私たちのゴールは、テスト時間中に最適なプロンプト選択のための単純で効率的なアプローチを見つけることです。 総合的な結果によって支援されたテスト期間中の迅速な選択のための最適戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-13T23:40:24Z)
• CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement [8.590026259176806]
  腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。 最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。 本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T13:45:24Z)
• 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)
• 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)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• 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)
• Interactive Medical Image Segmentation with Self-Adaptive Confidence Calibration [10.297081695050457]
  本稿では,自己適応信頼度校正(MECCA)を用いた対話型メダカルセグメンテーションという対話型セグメンテーションフレームワークを提案する。 新規な行動に基づく信頼ネットワークを通じて評価を確立し、MARLから補正動作を得る。 種々の医用画像データセットに対する実験結果から,提案アルゴリズムの有意な性能が示された。
  論文  参考訳（メタデータ） (2021-11-15T12:38:56Z)
• MIDeepSeg: Minimally Interactive Segmentation of Unseen Objects from Medical Images Using Deep Learning [15.01235930304888]
  ユーザインプットとしてクリックのみを必要とすることによる高効率な深層学習に基づく対話型セグメンテーション手法を提案する。 提案フレームワークは,最先端の対話型フレームワークと比較して,ユーザインタラクションが少なく,時間も少なく,正確な結果が得られる。
  論文  参考訳（メタデータ） (2021-04-25T14:15:17Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。