論文の概要: A Semantically-Aware Relevance Measure for Content-Based Medical Image Retrieval Evaluation

• arxiv url: http://arxiv.org/abs/2506.13509v1
• Date: Mon, 16 Jun 2025 14:04:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.607819
• Title: A Semantically-Aware Relevance Measure for Content-Based Medical Image Retrieval Evaluation
• Title（参考訳）: コンテンツに基づく医用画像検索のための意味的関連性尺度
• Authors: Xiaoyang Wei, Camille Kurtz, Florence Cloppet,
• Abstract要約: 本稿では, CBIR 評価のための新しい妥当性尺度を提案する。 公開データセットを用いた妥当性尺度の有効性と妥当性を定量的に検証した。
• 参考スコア（独自算出の注目度）: 0.4915744683251149
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Performance evaluation for Content-Based Image Retrieval (CBIR) remains a crucial but unsolved problem today especially in the medical domain. Various evaluation metrics have been discussed in the literature to solve this problem. Most of the existing metrics (e.g., precision, recall) are adapted from classification tasks which require manual labels as ground truth. However, such labels are often expensive and unavailable in specific thematic domains. Furthermore, medical images are usually associated with (radiological) case reports or annotated with descriptive captions in literature figures, such text contains information that can help to assess CBIR.Several researchers have argued that the medical concepts hidden in the text can serve as the basis for CBIR evaluation purpose. However, these works often consider these medical concepts as independent and isolated labels while in fact the subtle relationships between various concepts are neglected. In this work, we introduce the use of knowledge graphs to measure the distance between various medical concepts and propose a novel relevance measure for the evaluation of CBIR by defining an approximate matching-based relevance score between two sets of medical concepts which allows us to indirectly measure the similarity between medical images.We quantitatively demonstrate the effectiveness and feasibility of our relevance measure using a public dataset.
• Abstract（参考訳）: CBIR(Content-Based Image Retrieval)の性能評価は,現在,特に医療領域において重要な課題であるが未解決の課題である。 この問題を解決するために文献で様々な評価指標が議論されている。 既存のメトリクス(例えば精度、リコール)のほとんどは、手動のラベルを基礎となる真理として必要とする分類タスクから適応している。 しかし、そのようなラベルは高価であり、特定の主題領域では利用できないことが多い。 さらに、医学画像は典型的には(放射線学的な)事例報告に関連付けられ、文献に記述的キャプションが付加されているが、このようなテキストにはCBIRを評価するのに役立つ情報が含まれており、このテキストに隠された医療概念はCBIR評価の基盤として機能すると主張している。 しかし、これらの研究はしばしばこれらの医学的概念を独立したラベルとみなすが、実際には様々な概念間の微妙な関係は無視されている。 本研究では,様々な医療概念間の距離を測定するための知識グラフの導入と,医用画像間の類似性を間接的に測定できる2つの医療概念間の近似マッチングに基づく関連度スコアを定義することにより,CBIRの評価のための新しい関連度尺度を提案する。

関連論文リスト

• Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
  本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。 本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
  論文  参考訳（メタデータ） (2025-05-12T01:57:25Z)
• Fréchet Radiomic Distance (FRD): A Versatile Metric for Comparing Medical Imaging Datasets [13.737058479403311]
  Fr'echet Radiomic Distance (Fr'echet Radiomic Distance) という医療画像に適した新しい知覚基準を導入する。 FRDは、様々な医療画像の分野で、他の画像分布指標よりも優れていることを示す。 FRDは、低いサンプルサイズでの安定性や計算効率などの付加的な利点を提供する。
  論文  参考訳（メタデータ） (2024-12-02T13:49:14Z)
• Image-aware Evaluation of Generated Medical Reports [11.190146577567548]
  本稿では,X線画像から自動医療報告を生成するための新しい評価基準であるVLScoreを提案する。 測定基準の主な考え方は、対応する画像を考慮して、放射線学報告の類似度を測定することである。 我々は, 放射線学者が2対の報告で誤りを指摘し, 放射線学者の判断と顕著な一致を示したデータセットを用いた評価により, 測定値の利点を実証した。
  論文  参考訳（メタデータ） (2024-10-22T18:50:20Z)
• FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
  FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-11T19:12:23Z)
• RaTEScore: A Metric for Radiology Report Generation [59.37561810438641]
  本稿では,Radiological Report (Text) Evaluation (RaTEScore) として,新しい実体認識尺度を提案する。 RaTEScoreは、診断結果や解剖学的詳細などの重要な医療機関を強調し、複雑な医学的同義語に対して堅牢であり、否定表現に敏感である。 我々の評価は、RaTEScoreが既存の指標よりも人間の嗜好とより密接に一致していることを示し、確立された公開ベンチマークと、新たに提案したRaTE-Evalベンチマークの両方で検証した。
  論文  参考訳（メタデータ） (2024-06-24T17:49:28Z)
• Semantic Textual Similarity Assessment in Chest X-ray Reports Using a Domain-Specific Cosine-Based Metric [1.7802147489386628]
  本稿では,生成医療報告と基礎的真実とのセマンティックな類似性を評価するための新しいアプローチを提案する。 本手法の有効性を検証し,医学的文脈におけるドメイン固有の意味的類似性を評価する。
  論文  参考訳（メタデータ） (2024-02-19T07:48:25Z)
• MISm: A Medical Image Segmentation Metric for Evaluation of weak labeled Data [0.440401067183266]
  そこで我々は,新しい医用画像分割尺度MISmを提案する。 コミュニティでの応用と実験結果を得るために,MISmを公開評価フレームワークMISevalに組み込んだ。
  論文  参考訳（メタデータ） (2022-10-24T22:55:00Z)
• Impact of detecting clinical trial elements in exploration of COVID-19 literature [29.027162080682643]
  本稿では, 標準検索エンジンによる検索結果と臨床関連概念を用いたフィルタリング結果と, その関連性について比較する。 関係性の概念選択は、元の検索したコレクションを、未判断の文書の割合を減少させる方法でフィルタリングする。
  論文  参考訳（メタデータ） (2021-05-25T23:41:24Z)
• Unifying Relational Sentence Generation and Retrieval for Medical Image Report Composition [142.42920413017163]
  現在の手法は、個々のケースのデータセットバイアスにより、しばしば最も一般的な文を生成する。 テンプレート検索と文生成を一体化し、共通およびまれな異常に対処する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-09T04:33:27Z)
• 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)

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。