論文の概要: Understanding Annotation Error Propagation and Learning an Adaptive Policy for Expert Intervention in Barrett's Video Segmentation

• arxiv url: http://arxiv.org/abs/2602.21855v1
• Date: Wed, 25 Feb 2026 12:30:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.832526
• Title: Understanding Annotation Error Propagation and Learning an Adaptive Policy for Expert Intervention in Barrett's Video Segmentation
• Title（参考訳）: バレットのビデオセグメンテーションにおけるアノテーションの誤り伝播と専門家介入の適応的政策の理解
• Authors: Lokesha Rasanjalee, Jin Lin Tan, Dileepa Pitawela, Rajvinder Singh, Hsiang-Ting Chen,
• Abstract要約: 我々は,小誤差の蓄積と精度の低下について検討し,専門家のレビューと修正を必要とした。 我々は、いつどこで専門家の入力を求めるかを学習するコスト認識フレームワークであるL2RP(Learning-to-Re-Prompt)を提案する。 プライベートなBarrettのdysplasiaデータセットとパブリックなSUN-SEGベンチマークの実験では、時間的一貫性と優れたパフォーマンスが向上した。
• 参考スコア（独自算出の注目度）: 5.967409746468654
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate annotation of endoscopic videos is essential yet time-consuming, particularly for challenging datasets such as dysplasia in Barrett's esophagus, where the affected regions are irregular and lack clear boundaries. Semi-automatic tools like Segment Anything Model 2 (SAM2) can ease this process by propagating annotations across frames, but small errors often accumulate and reduce accuracy, requiring expert review and correction. To address this, we systematically study how annotation errors propagate across different prompt types, namely masks, boxes, and points, and propose Learning-to-Re-Prompt (L2RP), a cost-aware framework that learns when and where to seek expert input. By tuning a human-cost parameter, our method balances annotation effort and segmentation accuracy. Experiments on a private Barrett's dysplasia dataset and the public SUN-SEG benchmark demonstrate improved temporal consistency and superior performance over baseline strategies.
• Abstract（参考訳）: 内視鏡的ビデオの正確なアノテーションは必要だが、特にバレット食道の異形成のような障害のあるデータセットには時間を要する。 Segment Anything Model 2 (SAM2)のようなセミオートマチックなツールは、フレーム間でアノテーションを伝達することでこのプロセスを緩和することができるが、小さなエラーが蓄積され、精度が低下し、専門家のレビューと修正が必要になる。 そこで本稿では,マスクやボックス,ポイントなど,さまざまなプロンプトタイプにまたがってアノテーションエラーがどのように伝播するかを体系的に検討し,いつ,どこで専門家の入力を求めるのかを学習する,費用を意識したフレームワークであるL2RPを提案する。 ヒトのコストパラメータをチューニングすることにより、アノテーションの労力とセグメンテーションの精度のバランスをとる。 プライベートなBarrettのdysplasiaデータセットとパブリックなSUN-SEGベンチマークの実験は、時間的一貫性を改善し、ベースライン戦略よりも優れたパフォーマンスを示した。

関連論文リスト

• Resource-efficient Automatic Refinement of Segmentations via Weak Supervision from Light Feedback [1.8082075562656847]
  SCOREは、トレーニング中の光フィードバックのみを用いてマスク予測を洗練することを学ぶ弱教師付きフレームワークである。 上腕骨CTスキャンにおいてSCOREを実証し、初期予測を大幅に改善し、既存の精錬法と同等の性能を達成する。
  論文  参考訳（メタデータ） (2025-11-04T13:53:10Z)
• Revisiting 3D Medical Scribble Supervision: Benchmarking Beyond Cardiac Segmentation [1.2238508261277228]
  医用3Dセグメンテーションにおけるアノテーションコストの削減に期待できるアプローチとして,スクリブル・インスペクションが登場した。 本研究は,医用画像セグメンテーションのための,より実用的で堅牢で汎用的な手法を指向したスクリブル・インスペクションの実現を目的とする。
  論文  参考訳（メタデータ） (2024-03-19T15:41:16Z)
• Regressor-Segmenter Mutual Prompt Learning for Crowd Counting [70.49246560246736]
  本稿では,アノテーションの差によるバイアスや不正確性を解決するために,相互学習(mPrompt)を提案する。 実験により、mPromptは平均誤差(MAE)を著しく減少させることが示された。
  論文  参考訳（メタデータ） (2023-12-04T07:53:59Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。