論文の概要: QCResUNet: Joint Subject-level and Voxel-level Segmentation Quality Prediction

• arxiv url: http://arxiv.org/abs/2412.07156v1
• Date: Tue, 10 Dec 2024 03:27:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:37:58.915166
• Title: QCResUNet: Joint Subject-level and Voxel-level Segmentation Quality Prediction
• Title（参考訳）: QCResUNet: 主観レベルとボクセルレベルのセグメンテーション品質予測
• Authors: Peijie Qiu, Satrajit Chakrabarty, Phuc Nguyen, Soumyendu Sekhar Ghosh, Aristeidis Sotiras,
• Abstract要約: 深層学習は、MRI(MRI)スキャンによる脳腫瘍の自動切除において大きな進歩を遂げている。 セグメンテーション結果の品質を確認するには品質管理(QC)が必要である。 本稿では,各組織クラスに対して,被験者レベルのセグメンテーション品質尺度とボクセルレベルのセグメンテーション誤差マップを生成するQCResUNetを提案する。
• 参考スコア（独自算出の注目度）: 0.2895421284478621
• License:
• Abstract: Deep learning has made significant strides in automated brain tumor segmentation from magnetic resonance imaging (MRI) scans in recent years. However, the reliability of these tools is hampered by the presence of poor-quality segmentation outliers, particularly in out-of-distribution samples, making their implementation in clinical practice difficult. Therefore, there is a need for quality control (QC) to screen the quality of the segmentation results. Although numerous automatic QC methods have been developed for segmentation quality screening, most were designed for cardiac MRI segmentation, which involves a single modality and a single tissue type. Furthermore, most prior works only provided subject-level predictions of segmentation quality and did not identify erroneous parts segmentation that may require refinement. To address these limitations, we proposed a novel multi-task deep learning architecture, termed QCResUNet, which produces subject-level segmentation-quality measures as well as voxel-level segmentation error maps for each available tissue class. To validate the effectiveness of the proposed method, we conducted experiments on assessing its performance on evaluating the quality of two distinct segmentation tasks. First, we aimed to assess the quality of brain tumor segmentation results. For this task, we performed experiments on one internal and two external datasets. Second, we aimed to evaluate the segmentation quality of cardiac Magnetic Resonance Imaging (MRI) data from the Automated Cardiac Diagnosis Challenge. The proposed method achieved high performance in predicting subject-level segmentation-quality metrics and accurately identifying segmentation errors on a voxel basis. This has the potential to be used to guide human-in-the-loop feedback to improve segmentations in clinical settings.
• Abstract（参考訳）: 深層学習は近年、MRI(MRI)による脳腫瘍の自動切除において大きな進歩を遂げている。 しかし, これらのツールの信頼性は, 品質の悪いセグメンテーション・アウトリーの存在, 特にアウト・オブ・ディストリビューション・サンプルの存在によって阻害され, 臨床実践における実装が困難になる。 したがって、セグメンテーション結果の品質を検査するために品質管理(QC)が必要である。 セグメンテーション品質スクリーニングのために多数の自動QC法が開発されているが、その多くは心臓MRIセグメンテーションのために設計されており、これは単一のモダリティと単一の組織タイプを含んでいる。 さらに、それまでのほとんどの作品は、セグメンテーションの品質の主観レベルの予測のみを提供しており、精巧化を必要とする可能性のある誤部分セグメンテーションを特定できなかった。 これらの制約に対処するため、我々はQCResUNetと呼ばれる新しいマルチタスク深層学習アーキテクチャを提案し、このアーキテクチャは被験者レベルのセグメンテーション品質と、利用可能な各組織クラスのボクセルレベルのセグメンテーションエラーマップを生成する。 提案手法の有効性を検証するために,2つの異なるセグメンテーションタスクの質を評価するための性能評価実験を行った。 まず,脳腫瘍セグメンテーションの結果の質を評価することを目的とした。 本研究では,1つの内部データセットと2つの外部データセットについて実験を行った。 第2に,自動心臓診断チャレンジによる心磁気共鳴画像(MRI)データのセグメンテーションの質を評価することを目的とした。 提案手法は,被験者レベルのセグメンテーション品質の指標を予測し,ボクセルに基づくセグメンテーション誤差を正確に同定する。 これは、ヒト・イン・ザ・ループのフィードバックを誘導し、臨床設定におけるセグメンテーションを改善するために使われる可能性がある。

関連論文リスト

• MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
  MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。 提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。 また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-28T23:10:37Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• FUSQA: Fetal Ultrasound Segmentation Quality Assessment [1.0819408603463427]
  分割品質評価に取り組むための簡易な胎児超音波品質評価(FUSQA)モデルを提案する。 そこで我々は、より正確な妊娠年齢推定のために、セグメンテーション品質評価プロセスを自動分類タスクとして定式化し、良質なセグメンテーションマスクと良質なセグメンテーションマスクを区別する。
  論文  参考訳（メタデータ） (2023-03-08T07:45:06Z)
• 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)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Quality control for more reliable integration of deep learning-based image segmentation into medical workflows [0.23609258021376836]
  本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。 磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
  論文  参考訳（メタデータ） (2021-12-06T16:30:43Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• 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)
• Deep Generative Model-based Quality Control for Cardiac MRI Segmentation [30.09405692032434]
  本稿では, 心臓MRI領域の品質管理のための, 深部生成モデルに基づく新しいフレームワークを提案する。 提案手法は,2つの公用心MRIデータセットに対して高い予測精度を実現する。
  論文  参考訳（メタデータ） (2020-06-23T23:15:54Z)
• 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)
• 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。