論文の概要: Reliability of deep learning models for anatomical landmark detection: The role of inter-rater variability
- arxiv url: http://arxiv.org/abs/2411.17850v1
- Date: Tue, 26 Nov 2024 20:07:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-28 15:25:38.529107
- Title: Reliability of deep learning models for anatomical landmark detection: The role of inter-rater variability
- Title(参考訳): 解剖学的ランドマーク検出のための深層学習モデルの信頼性:ラター間変動の役割
- Authors: Soorena Salari, Hassan Rivaz, Yiming Xiao,
- Abstract要約: 解剖学的ランドマーク検出のための深層学習モデルにおいて,様々なアノテーション融合戦略を考察した。
本研究は, レータ間変動, DLモデルの性能, 不確実性との重要な関連性を明らかにする。
- 参考スコア(独自算出の注目度): 2.64700310378485
- License:
- Abstract: Automated detection of anatomical landmarks plays a crucial role in many diagnostic and surgical applications. Progresses in deep learning (DL) methods have resulted in significant performance enhancement in tasks related to anatomical landmark detection. While current research focuses on accurately localizing these landmarks in medical scans, the importance of inter-rater annotation variability in building DL models is often overlooked. Understanding how inter-rater variability impacts the performance and reliability of the resulting DL algorithms, which are crucial for clinical deployment, can inform the improvement of training data construction and boost DL models' outcomes. In this paper, we conducted a thorough study of different annotation-fusion strategies to preserve inter-rater variability in DL models for anatomical landmark detection, aiming to boost the performance and reliability of the resulting algorithms. Additionally, we explored the characteristics and reliability of four metrics, including a novel Weighted Coordinate Variance metric to quantify landmark detection uncertainty/inter-rater variability. Our research highlights the crucial connection between inter-rater variability, DL-models performances, and uncertainty, revealing how different approaches for multi-rater landmark annotation fusion can influence these factors.
- Abstract(参考訳): 解剖学的ランドマークの自動検出は多くの診断および外科的応用において重要な役割を担っている。
ディープラーニング(DL)法の進歩は、解剖学的ランドマーク検出に関連するタスクにおいて、大幅なパフォーマンス向上をもたらした。
医学スキャンにおけるこれらのランドマークの正確なローカライズに焦点が当てられているが、DLモデル構築におけるラター間アノテーションの多様性の重要性はしばしば見過ごされている。
臨床展開に欠かせないDLアルゴリズムの性能と信頼性に,相互変動がどのような影響を及ぼすかを理解することで,トレーニングデータ構築の改善とDLモデルの結果の向上を図ることができる。
本稿では,解剖学的ランドマーク検出のためのDLモデルにおいて,様々なアノテーション融合手法を網羅的に検討し,その結果のアルゴリズムの性能と信頼性を高めることを目的とした。
さらに,4つの指標の特徴と信頼性について検討した。
本研究は,多層ランドマークのアノテーション融合に対するアプローチの違いが,これらの要因にどのように影響するかを明らかにすることを目的として,レーダ間変動,DLモデルの性能,不確実性との間の重要な関係を明らかにする。
関連論文リスト
- Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。
大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
論文 参考訳(メタデータ) (2024-08-29T02:21:11Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳(メタデータ) (2024-07-28T02:42:36Z) - MPRE: Multi-perspective Patient Representation Extractor for Disease
Prediction [3.914545513460964]
疾患予測のための多視点患者表現エクストラクタ(MPRE)を提案する。
具体的には、動的特徴の傾向と変動情報を抽出する周波数変換モジュール(FTM)を提案する。
2D Multi-Extraction Network (2D MEN) において、傾向と変動に基づいて2次元時間テンソルを形成する。
また,FODAM(First-Order difference Attention Mechanism)も提案する。
論文 参考訳(メタデータ) (2024-01-01T13:52:05Z) - Comprehensive framework for evaluation of deep neural networks in detection and quantification of lymphoma from PET/CT images: clinical insights, pitfalls, and observer agreement analyses [0.9958347059366389]
本研究はPET/CT画像からの自動リンパ腫分離における重要なギャップに対処する。
深層学習は悪性リンパ腫の病巣分類に応用されているが, アウト・オブ・ディストリビューション検査を取り入れた研究はほとんどない。
高い代謝活性を有する大強度病変に対して,ネットワークがより優れた性能を示すことを示す。
論文 参考訳(メタデータ) (2023-11-16T06:58:46Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - Diagnosing Human-object Interaction Detectors [42.283857276076596]
本稿では,HOI検出モデルの定量的なブレークダウン解析を行うための診断ツールボックスを提案する。
我々は8つの最先端HOI検出モデルを分析し、今後の研究を促進する貴重な診断洞察を提供する。
論文 参考訳(メタデータ) (2023-08-16T17:39:15Z) - How inter-rater variability relates to aleatoric and epistemic
uncertainty: a case study with deep learning-based paraspinal muscle
segmentation [1.9624082208594296]
本研究は, 層間変動が学習アルゴリズムの信頼性に与える影響について検討する。
本研究は,ラベル融合戦略とDLモデルの選択による,ラター間の変動性と不確実性の間の相互作用を明らかにする。
論文 参考訳(メタデータ) (2023-08-14T06:40:20Z) - Variability Matters : Evaluating inter-rater variability in
histopathology for robust cell detection [3.2873782624127843]
本研究は,120名の病理組織学者を対象に,細胞抗原の多様性について大規模に検討した。
また, 格子間変動を犠牲にしてデータサイズを増大させることが, 細胞検出における優れた性能モデルに繋がるとは限らないことを示した。
これらの結果から,アノテータの評価は病理組織学領域の基本的予算問題に対処するのに役立つ可能性が示唆された。
論文 参考訳(メタデータ) (2022-10-11T06:24:55Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳(メタデータ) (2021-11-08T07:57:30Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - Towards Interaction Detection Using Topological Analysis on Neural
Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。
本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。
PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-10-25T02:15:24Z)
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。