論文の概要: Reliable Mislabel Detection for Video Capsule Endoscopy Data

• arxiv url: http://arxiv.org/abs/2602.06938v1
• Date: Fri, 06 Feb 2026 18:33:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.531155
• Title: Reliable Mislabel Detection for Video Capsule Endoscopy Data
• Title（参考訳）: ビデオカプセル内視鏡データに対する信頼性のあるミスラベル検出
• Authors: Julia Werner, Julius Oexle, Oliver Bause, Maxime Le Floch, Franz Brinkmann, Hannah Tolle, Jochen Hampe, Oliver Bringmann,
• Abstract要約: 医療データセットにおける誤ラベル検出のためのフレームワークを提案する。 これは、ビデオカプセル内視鏡用の最大2つの公開データセットで検証されている。 提案手法は, 誤ラベル付きデータの検出に成功し, その結果, 異常検出性能が向上したことを示す。
• 参考スコア（独自算出の注目度）: 0.6746617619581846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The classification performance of deep neural networks relies strongly on access to large, accurately annotated datasets. In medical imaging, however, obtaining such datasets is particularly challenging since annotations must be provided by specialized physicians, which severely limits the pool of annotators. Furthermore, class boundaries can often be ambiguous or difficult to define which further complicates machine learning-based classification. In this paper, we want to address this problem and introduce a framework for mislabel detection in medical datasets. This is validated on the two largest, publicly available datasets for Video Capsule Endoscopy, an important imaging procedure for examining the gastrointestinal tract based on a video stream of lowresolution images. In addition, potentially mislabeled samples identified by our pipeline were reviewed and re-annotated by three experienced gastroenterologists. Our results show that the proposed framework successfully detects incorrectly labeled data and results in an improved anomaly detection performance after cleaning the datasets compared to current baselines.
• Abstract（参考訳）: ディープニューラルネットワークの分類性能は、大きく正確に注釈付けされたデータセットへのアクセスに強く依存する。 しかし、医用画像では、アノテーションが専門医によって提供されなければならないため、このようなデータセットを取得することは特に困難である。 さらに、クラス境界は曖昧である場合や、機械学習ベースの分類をさらに複雑にする定義が難しい場合が多い。 本稿では,この課題に対処し,医療データセットにおける誤ラベル検出のためのフレームワークを提案する。 これは、低解像度画像の映像ストリームに基づいて消化管を検査するための重要な画像処理である、ビデオカプセル内視鏡のための2つの大きな公開データセットで検証されている。 さらに, 経験者3人の胃腸科医が, パイプラインで同定された標本をレビューし, 再注釈を行った。 その結果,提案フレームワークは誤ラベル付きデータの検出に成功し,現在のベースラインと比較して,データセットのクリーニング後の異常検出性能が向上した。

関連論文リスト

• Demographic-aware fine-grained classification of pediatric wrist fractures [4.309673738288069]
  コンピュータビジョンは、広範囲なデータセットの利用可能性に応じて、有望な道を示す。 本研究は,患者メタデータをX線で融合させ,個別の微細なデータセットから重みを生かした,微細な認識タスクとしてフレーミングする多面的アプローチを用いてこの問題に対処する。 その結果, 微粒化トランスフォーマーアプローチ, 微粒化事前トレーニング, メタデータ統合を組み合わせることで, 小型のカスタムキュレートデータセットでは2%, 大きめのフラクチャーデータセットでは10%以上の診断精度が向上することがわかった。
  論文  参考訳（メタデータ） (2025-07-17T10:03:57Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• GastroVision: A Multi-class Endoscopy Image Dataset for Computer Aided Gastrointestinal Disease Detection [6.231109933741383]
  本データセットは, 解剖学的所見, 病理所見, ポリープ除去症例, 正常所見を含む。 経験豊富なGI内科医によって注釈され、検証された。 我々のデータセットは、GI病の検出と分類のためのAIベースのアルゴリズムの開発を促進することができると信じている。
  論文  参考訳（メタデータ） (2023-07-16T19:36:03Z)
• Weakly Supervised Learning Significantly Reduces the Number of Labels Required for Intracranial Hemorrhage Detection on Head CT [7.713240800142863]
  マシンラーニングパイプライン、特にディープラーニング(DL)モデルに基づくパイプラインは、大量のラベル付きデータを必要とする。 本研究は,脳CTにおける頭蓋内出血検出の課題に対して,どのようなラベルを収集すべきか,という課題について考察する。 強い監督(ローカルな画像レベルのアノテーションで学ぶこと)と弱い監督(グローバルな検査レベルのラベルだけで学ぶこと)は同等のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-11-29T04:42:41Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• Label-Assemble: Leveraging Multiple Datasets with Partial Labels [68.46767639240564]
  Label-Assemble”は、公開データセットのアセンブリから部分的なラベルの可能性を最大限に活用することを目的としている。 陰例からの学習は,コンピュータ支援型疾患の診断と検出の双方を促進することが判明した。
  論文  参考訳（メタデータ） (2021-09-25T02:48:17Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• 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)
• Semi-supervised lung nodule retrieval [2.055949720959582]
  コンテンツベース画像検索(CBIR)システムは、クエリ画像と類似度でランク付けされた一連の画像を出力する。 データセット要素間の類似性(例えばnodules間の類似性)に関する基礎的な真実は、容易には利用できない。 本研究は,(1)部分ラベル付きデータセットの自動アノテーション,(2)述語アノテーションに基づく意味的類似度距離空間の学習,という2つのステップを含む半教師付きアプローチを提案する。 LIDCデータセットを用いて肺結節検索を行い,予測された評価値から埋め込みを学習することが可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-04T19:26:14Z)
• Do Public Datasets Assure Unbiased Comparisons for Registration Evaluation? [96.53940048041248]
  画像誘導神経外科医の登録をベンチマークするために、2つのデータセットで手動で注釈付けされたランドマークをスクリーニングするために、ヴァリグラムを使用します。 Variograms を用いて, 潜在的に有意な症例を同定し, 経験者により検討した。
  論文  参考訳（メタデータ） (2020-03-20T20:04:47Z)

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。