論文の概要: What Can We Learn from Inter-Annotator Variability in Skin Lesion Segmentation?

• arxiv url: http://arxiv.org/abs/2508.09381v1
• Date: Tue, 12 Aug 2025 22:37:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.707269
• Title: What Can We Learn from Inter-Annotator Variability in Skin Lesion Segmentation?
• Title（参考訳）: 皮膚病変分節におけるアノテーション間変異から何が学べるか?
• Authors: Kumar Abhishek, Jeremy Kawahara, Ghassan Hamarneh,
• Abstract要約: 曖昧な境界を持つ病変は相違する傾向があり、しばしば悪性腫瘍と関連している。 診断者間合意(IAA)と悪性度との間には統計的に有意な関連が認められた。 IAAは皮膚画像から直接正確に予測でき、平均絶対誤差は0.108である。
• 参考スコア（独自算出の注目度）: 17.230335345573486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation exhibits intra- and inter-annotator variability due to ambiguous object boundaries, annotator preferences, expertise, and tools, among other factors. Lesions with ambiguous boundaries, e.g., spiculated or infiltrative nodules, or irregular borders per the ABCD rule, are particularly prone to disagreement and are often associated with malignancy. In this work, we curate IMA++, the largest multi-annotator skin lesion segmentation dataset, on which we conduct an in-depth study of variability due to annotator, malignancy, tool, and skill factors. We find a statistically significant (p<0.001) association between inter-annotator agreement (IAA), measured using Dice, and the malignancy of skin lesions. We further show that IAA can be accurately predicted directly from dermoscopic images, achieving a mean absolute error of 0.108. Finally, we leverage this association by utilizing IAA as a "soft" clinical feature within a multi-task learning objective, yielding a 4.2% improvement in balanced accuracy averaged across multiple model architectures and across IMA++ and four public dermoscopic datasets. The code is available at https://github.com/sfu-mial/skin-IAV.
• Abstract（参考訳）: 医用画像のセグメンテーションは、曖昧な対象の境界、アノテーションの好み、専門知識、ツールなどの要因により、アノテーション内およびアノテーション間の変動を示す。 不明瞭な境界(例えば、spiculated or infiltrative nodules、ABCDルールの不規則な境界)を持つ病変は、特に不一致の傾向があり、しばしば悪性度と関連している。 本研究では,アノテータ,悪性度,ツール,スキルファクターによる変動の詳細な研究を行う,最大規模のマルチアノテータ皮膚病変セグメンテーションデータセットであるIMA++をキュレートする。 今回我々は,Diceを用いて測定したアノテータ間合意(IAA)と皮膚病変の悪性度との間に,統計的に有意な相関(p<0.001)が認められた。 さらに,眼底画像から直接IAAを正確に予測し,平均絶対誤差0.108を達成できることを示す。 最後に、マルチタスク学習の目的において、IAAを"ソフト"な臨床特徴として活用することにより、複数のモデルアーキテクチャ、IMA++および4つの公開皮膚内視鏡データセットで平均されるバランスの取れた精度を4.2%改善する。 コードはhttps://github.com/sfu-mial/skin-IAV.comで公開されている。

関連論文リスト

• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• 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)
• Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional Network to Learn from the Lesion [0.9143713488498512]
  EfficientNetモデルによりメラノーマ認識を改善する新しい手法を提案する。 モデルは、ネットワークをトレーニングして、病変を検出し、検出された病変から特徴を学習する。 実験の結果,提案手法は受信機動作特性曲線の平均値(平均AUC)を0.9から0.922に高めることにより,診断精度を向上させた。
  論文  参考訳（メタデータ） (2023-05-16T15:34:12Z)
• 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)
• The impact of using voxel-level segmentation metrics on evaluating multifocal prostate cancer localisation [8.035409264165937]
  Dice similarity coefficient (DSC) と Hausdorff distance (HD) は医用画像セグメンテーションの評価に広く用いられている。 本研究は、まず、前立腺がんの手術計画において、対象検出に使用されるものを適応する、新しい非対称検出指標を提案する。 今回我々は, DSCとHDの相互一致と相関について報告し, 2) ボクセルレベルDSCと病変レベルでのリコール制御精度について報告する。
  論文  参考訳（メタデータ） (2022-03-30T15:57:20Z)
• 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)
• CS-AF: A Cost-sensitive Multi-classifier Active Fusion Framework for Skin Lesion Classification [9.265557367859637]
  畳み込みニューラルネットワーク(CNN)は皮膚病変解析において最先端の性能を達成した。 皮膚病変分類のための費用感受性多型化能動核融合フレームワークCS-AFを提案する。
  論文  参考訳（メタデータ） (2020-04-25T05:48:14Z)

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。