論文の概要: Label Uncertainty for Ultrasound Segmentation

• arxiv url: http://arxiv.org/abs/2508.15635v1
• Date: Thu, 21 Aug 2025 15:00:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.376276
• Title: Label Uncertainty for Ultrasound Segmentation
• Title（参考訳）: 超音波セグメンテーションにおけるラベルの不確かさ
• Authors: Malini Shivaram, Gautam Rajendrakumar Gare, Laura Hutchins, Jacob Duplantis, Thomas Deiss, Thales Nogueira Gomes, Thong Tran, Keyur H. Patel, Thomas H Fox, Amita Krishnan, Deva Ramanan, Bennett DeBoisblanc, Ricardo Rodriguez, John Galeotti,
• Abstract要約: 医用画像では、放射線医の間でのサーバ間変動は、しばしばラベルの不確実性をもたらす。 我々は、専門家が供給する画素ごとの信頼度値を用いて、AIモデルのラベル付けとトレーニングの両方に新しいアプローチを導入する。
• 参考スコア（独自算出の注目度）: 25.682215047694168
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In medical imaging, inter-observer variability among radiologists often introduces label uncertainty, particularly in modalities where visual interpretation is subjective. Lung ultrasound (LUS) is a prime example-it frequently presents a mixture of highly ambiguous regions and clearly discernible structures, making consistent annotation challenging even for experienced clinicians. In this work, we introduce a novel approach to both labeling and training AI models using expert-supplied, per-pixel confidence values. Rather than treating annotations as absolute ground truth, we design a data annotation protocol that captures the confidence that radiologists have in each labeled region, modeling the inherent aleatoric uncertainty present in real-world clinical data. We demonstrate that incorporating these confidence values during training leads to improved segmentation performance. More importantly, we show that this enhanced segmentation quality translates into better performance on downstream clinically-critical tasks-specifically, estimating S/F oxygenation ratio values, classifying S/F ratio change, and predicting 30-day patient readmission. While we empirically evaluate many methods for exposing the uncertainty to the learning model, we find that a simple approach that trains a model on binarized labels obtained with a (60%) confidence threshold works well. Importantly, high thresholds work far better than a naive approach of a 50% threshold, indicating that training on very confident pixels is far more effective. Our study systematically investigates the impact of training with varying confidence thresholds, comparing not only segmentation metrics but also downstream clinical outcomes. These results suggest that label confidence is a valuable signal that, when properly leveraged, can significantly enhance the reliability and clinical utility of AI in medical imaging.
• Abstract（参考訳）: 医用画像では、放射線医の間でのサーバ間変動は、特に視覚的解釈が主観的であるモダリティにおいて、ラベルの不確実性をもたらすことが多い。 肺超音波(LUS)は主要な例であり、高度に曖昧な領域と明瞭な構造が混在しており、経験豊富な臨床医でも一貫した注釈が難しい。 本研究では,専門家が供給する画素ごとの信頼度値を用いて,AIモデルのラベル付けとトレーニングを行う新しいアプローチを提案する。 我々は、アノテーションを絶対的根拠の真理として扱うのではなく、各ラベル付き領域に放射線学者が持つ信頼を捉え、実際の臨床データに存在する固有のアレラトリック不確かさをモデル化するデータアノテーションプロトコルを設計する。 トレーニング中にこれらの信頼度を組み込むことでセグメンテーション性能が向上することを示す。 さらに, このセグメンテーション品質の向上は, 下流の臨床的に重要なタスクにおいて, S/F酸素比の値を推定し, S/F比の変化を分類し, 30日間の寛解を予測できることを示す。 学習モデルに不確かさを露呈する多くの手法を実証的に評価する一方で,60%の信頼度で得られた二項化ラベル上でモデルを訓練する簡単な手法が有効であることがわかった。 重要なことは、高い閾値は50%の閾値の単純なアプローチよりもはるかにうまく機能し、非常に自信のあるピクセルでのトレーニングがはるかに効果的であることを示している。 本研究は, セグメンテーション指標だけでなく, 下流臨床結果と比較し, 各種信頼閾値によるトレーニングの効果を系統的に検討した。 これらの結果から, ラベル信頼度は, 適切に活用することで, 医用画像におけるAIの信頼性と臨床的有用性を大幅に向上させることができることを示す。

関連論文リスト

• EDUE: Expert Disagreement-Guided One-Pass Uncertainty Estimation for Medical Image Segmentation [1.757276115858037]
  本稿では,医用画像分割のためのエキスパート診断誘導不確実性推定(EDUE)を提案する。 複数のラッカーからの接地構文アノテーションの可変性を活用することにより、トレーニング中のモデルをガイドし、ランダムサンプリングに基づく戦略を取り入れ、校正信頼性を高める。
  論文  参考訳（メタデータ） (2024-03-25T10:13:52Z)
• Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
  一度展開すると、医用画像解析法は予期せぬ画像の破損やノイズの摂動に直面することが多い。 LaDiNEは、視覚変換器のロバスト性と拡散に基づく生成モデルを組み合わせた、新しいアンサンブル学習手法である。 結核胸部X線とメラノーマ皮膚がんデータセットの実験により、LaDiNEは幅広い最先端の方法と比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2023-10-24T15:53:07Z)
• 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)
• Simple and Efficient Confidence Score for Grading Whole Slide Images [0.7349727826230862]
  学習課題におけるAIモデルの信頼度を測定するための新しいスコアを提案する。 我々の信頼スコアは、特に順序の出力変数に適応しており、汎用的で、追加のトレーニングや追加の推論を必要としない。 このスコアは, 誤予測されたスライドを正確に識別し, 高い信頼度判定の精度が低信頼度判定の精度よりも有意に高いことを示す。
  論文  参考訳（メタデータ） (2023-03-08T14:15:43Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
  本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。 具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。 大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
  論文  参考訳（メタデータ） (2021-03-07T03:10:32Z)
• 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。