論文の概要: In search of truth: Evaluating concordance of AI-based anatomy segmentation models

• arxiv url: http://arxiv.org/abs/2512.15921v1
• Date: Wed, 17 Dec 2025 19:33:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.793215
• Title: In search of truth: Evaluating concordance of AI-based anatomy segmentation models
• Title（参考訳）: 真理探索におけるAIに基づく解剖学的セグメンテーションモデルの一致性の評価
• Authors: Lena Giebeler, Deepa Krishnaswamy, David Clunie, Jakob Wasserthal, Lalith Kumar Shiyam Sundar, Andres Diaz-Pinto, Klaus H. Maier-Hein, Murong Xu, Bjoern Menze, Steve Pieper, Ron Kikinis, Andrey Fedorov,
• Abstract要約: 解剖学的セグメンテーションのためのAIベースの手法は、大規模な画像データセットのキャラクタリゼーションを自動化するのに役立つ。 基礎となる真理アノテーションを含まないデータセット上で評価する実践的なフレームワークを導入する。
• 参考スコア（独自算出の注目度）: 3.740726797046942
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose AI-based methods for anatomy segmentation can help automate characterization of large imaging datasets. The growing number of similar in functionality models raises the challenge of evaluating them on datasets that do not contain ground truth annotations. We introduce a practical framework to assist in this task. Approach We harmonize the segmentation results into a standard, interoperable representation, which enables consistent, terminology-based labeling of the structures. We extend 3D Slicer to streamline loading and comparison of these harmonized segmentations, and demonstrate how standard representation simplifies review of the results using interactive summary plots and browser-based visualization using OHIF Viewer. To demonstrate the utility of the approach we apply it to evaluating segmentation of 31 anatomical structures (lungs, vertebrae, ribs, and heart) by six open-source models - TotalSegmentator 1.5 and 2.6, Auto3DSeg, MOOSE, MultiTalent, and CADS - for a sample of Computed Tomography (CT) scans from the publicly available National Lung Screening Trial (NLST) dataset. Results We demonstrate the utility of the framework in enabling automating loading, structure-wise inspection and comparison across models. Preliminary results ascertain practical utility of the approach in allowing quick detection and review of problematic results. The comparison shows excellent agreement segmenting some (e.g., lung) but not all structures (e.g., some models produce invalid vertebrae or rib segmentations). Conclusions The resources developed are linked from https://imagingdatacommons.github.io/segmentation-comparison/ including segmentation harmonization scripts, summary plots, and visualization tools. This work assists in model evaluation in absence of ground truth, ultimately enabling informed model selection.
• Abstract（参考訳）: 解剖学的セグメンテーションのためのAIベースの手法は、大規模な画像データセットのキャラクタリゼーションを自動化するのに役立つ。 同様の機能モデルの増加は、基礎となる真実のアノテーションを含まないデータセットでそれらを評価するという課題を提起する。 この課題を支援するための実践的な枠組みを導入する。 アプローチ セグメンテーションの結果を標準で相互運用可能な表現に調和させ、構造を一貫した用語ベースのラベル付けを可能にする。 我々は3Dスライダを拡張してこれらの調和したセグメンテーションのロードと比較を行い、標準表現がインタラクティブな要約プロットとOHIFビューアを用いたブラウザベースの可視化を用いて結果のレビューをいかに単純化するかを示す。 アプローチの有用性を実証するために,TtalSegmentator 1.5および2.6,Auto3DSeg,MOOSE,MultiTalent,CADSの6つのオープンソースモデルによる31の解剖学的構造(肺,脊椎,リブ,心臓)のセグメンテーションを,一般に公開されているNational Lung Screening Trial (NLST)データセットからのCTスキャンのサンプルに適用した。 その結果, モデル間での負荷の自動化, 構造的検査, 比較を行う上で, フレームワークの有用性を実証した。 予備結果は、問題のある結果の迅速な検出とレビューを可能にするアプローチの実用性を確認するものである。 この比較は、いくつかの(例えば肺)をセグメンテーションするが、すべての構造ではない(例えば、いくつかのモデルは、無効な脊椎またはリブのセグメンテーションを生成する)ことに優れた一致を示している。 結論 開発されたリソースはhttps://imagingdatacommons.github.io/segmentation-comparison/からリンクされている。 この研究は、根拠のないモデル評価を補助し、最終的にインフォームドモデル選択を可能にする。

関連論文リスト

• J-RAS: Enhancing Medical Image Segmentation via Retrieval-Augmented Joint Training [0.0]
  本稿では,探索モデルとセグメンテーションモデルを統合したガイド画像セグメンテーションのジョイントトレーニング手法を提案する。 どちらのモデルも最適化されており、セグメンテーションモデルは取得した画像とマスクのペアを利用して解剖学的理解を深めることができる。 2つのベンチマークデータセット上で、U-Net、TransUNet、SAM、SegFormerを含む複数のセグメンテーションバックボーンにわたるJ-RASを検証する。
  論文  参考訳（メタデータ） (2025-10-11T01:53:28Z)
• Towards Ground-truth-free Evaluation of Any Segmentation in Medical Images [22.36128130052757]
  本研究では,Segment Anything Model (SAM) が生成するセグメンテーションの質と,医療画像におけるその変種を評価するために,ゼロトラストフリー評価モデルを構築した。 この評価モデルは、入力画像と対応するセグメンテーション予測との一貫性と一貫性を解析することにより、セグメンテーション品質スコアを推定する。
  論文  参考訳（メタデータ） (2024-09-23T10:12:08Z)
• Aggregated Attributions for Explanatory Analysis of 3D Segmentation Models [7.416913210816592]
  本稿では,3次元セグメンテーションモデルの微細なボクセル属性を集約する手法であるAgg2Expを紹介する。 実験により,勾配に基づくボクセル属性は摂動に基づく説明よりもモデルの予測に忠実であることが示された。 Agg2Expは、予測性能以上の大きなセグメンテーションモデルの説明分析を容易にする。
  論文  参考訳（メタデータ） (2024-07-23T17:14:01Z)
• TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
  nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。 予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。 オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• Unsupervised Learning Consensus Model for Dynamic Texture Videos Segmentation [12.462608802359936]
  動的テクスチャのセグメンテーションのための効果的な教師なし学習コンセンサスモデルを提案する。 提案モデルでは,分類対象画素の周辺部における再量子化局所2値パターン(LBP)ヒストグラムの値の集合を特徴として用いた。 挑戦的なSynthDBデータセットで実施された実験は、ULCMが大幅に高速で、コーディングが簡単で、単純で、パラメータが限られていることを示している。
  論文  参考訳（メタデータ） (2020-06-29T16:40:59Z)

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。