論文の概要: Detecting and refurbishing ground truth errors during training of deep learning-based echocardiography segmentation models

• arxiv url: http://arxiv.org/abs/2604.12832v1
• Date: Tue, 14 Apr 2026 14:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.516401
• Title: Detecting and refurbishing ground truth errors during training of deep learning-based echocardiography segmentation models
• Title（参考訳）: 深部心エコー画像分割モデルの訓練における地中真理誤差の検出と修正
• Abstract要約: 基底真理 (GT) ラベルはランダムな誤りや体系的なバイアスを引き起こす。 本研究は,心エコー法(echo)セグメンテーションにおける深層学習モデルの誤りに対する堅牢性について検討した。 疑わしいGTラベルを修復するための擬似ラベリング手法を提案する。
• 参考スコア（独自算出の注目度）: 1.57738603097505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based medical image segmentation typically relies on ground truth (GT) labels obtained through manual annotation, but these can be prone to random errors or systematic biases. This study examines the robustness of deep learning models to such errors in echocardiography (echo) segmentation and evaluates a novel strategy for detecting and refurbishing erroneous labels during model training. Using the CAMUS dataset, we simulate three error types, then compare a loss-based GT label error detection method with one based on Variance of Gradients (VOG). We also propose a pseudo-labelling approach to refurbish suspected erroneous GT labels. We assess the performance of our proposed approach under varying error levels. Results show that VOG proved highly effective in flagging erroneous GT labels during training. However, a standard U-Net maintained strong performance under random label errors and moderate levels of systematic errors (up to 50%). The detection and refurbishment approach improved performance, particularly under high-error conditions.
• Abstract（参考訳）: 深層学習に基づく医用画像のセグメンテーションは、通常、手動のアノテーションによって得られた基底真理(GT)ラベルに依存するが、これらはランダムなエラーや系統的なバイアスを引き起こす。 本研究では,心エコー法(echo)セグメンテーションにおける深層学習モデルの誤りに対する堅牢性を検討した。 CAMUSデータセットを用いて、3つのエラータイプをシミュレートし、損失に基づくGTラベル誤り検出手法と勾配変動(VOG)に基づく誤差検出手法を比較する。 また,疑わしいGTラベルを修復するための擬似ラベリング手法を提案する。 提案手法の有効性を,様々な誤差レベルで評価する。 その結果,VOGはトレーニング中に誤GTラベルのフラグ付けに極めて有効であることが判明した。 しかし、標準のU-Netは、ランダムラベルエラーと適度な系統的エラー(最大50%)の下で強い性能を維持した。 検出と改修のアプローチは、特に高エラー条件下での性能を改善した。

関連論文リスト

• A Novel Method to Evaluate Models on Unreliable, Noisy and Inconsistent Labels: Adaptive Resolution Label Aggregation (ARLA) [0.0]
  アダプティブ・レゾリューション・ラベル・アグリゲーション(ARLA)は、ラベルとモデル予測の両方のレゾリューションを推論時に適応させる。 本研究では,実際の洪水予測モデルへの実用的な適用により,モデル挙動をよりよく解析するためにARLAをどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2026-07-13T08:07:45Z)
• Adaptive Label Error Detection: A Bayesian Approach to Mislabeled Data Detection [0.5284217353503208]
  本稿では, 誤り検出手法である適応ラベル誤り検出(Adaptive Label Error Detection, ALED)のモチベーションと記述を行う。 ALEDは、確立されたラベル誤り検出方法と比較して、精度を損なうことなく、感度を著しく向上させた。 修正データ上でニューラルネットワークを微調整すると、テストセットエラーが33.8%減少する例を示す。
  論文  参考訳（メタデータ） (2026-01-15T05:20:00Z)
• Hard Samples, Bad Labels: Robust Loss Functions That Know When to Back Off [1.1582652820340928]
  間違ったラベル付けされたトレーニングデータは、教師付き学習によって訓練されたモデルの性能と一般化性に悪影響を及ぼす。 そこで我々はBlurry Loss と Piecewise-zero Loss という2つの新しい損失関数を評価した。
  論文  参考訳（メタデータ） (2025-11-20T16:30:55Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Unsupervised Learning for Industrial Defect Detection: A Case Study on Shearographic Data [0.0]
  本研究では,せん断画像の自動異常検出のための教師なし学習手法について検討する。 完全に接続されたオートエンコーダ、畳み込みオートエンコーダ、学生-教師モデルという3つのアーキテクチャが評価されている。 その結果, 生徒-教師のアプローチは, より優れた分類を達成し, 正確なローカライゼーションを可能にすることがわかった。
  論文  参考訳（メタデータ） (2025-11-04T12:48:02Z)
• Estimating label quality and errors in semantic segmentation data via any model [19.84626033109009]
  ラベル品質を評価する手法について検討し、最も低いスコアのイメージを正しくラベル付けする可能性が低いことを示す。 これにより、高品質なトレーニング/評価データセットを保証するために、レビューするデータを優先順位付けすることが可能になる。
  論文  参考訳（メタデータ） (2023-07-11T07:29:09Z)
• All Points Matter: Entropy-Regularized Distribution Alignment for Weakly-supervised 3D Segmentation [67.30502812804271]
  擬似ラベルは、弱い教師付き3Dセグメンテーションタスクに広く使われており、学習に使えるのはスパース・グラウンド・トラス・ラベルのみである。 本稿では,生成した擬似ラベルを正規化し,擬似ラベルとモデル予測とのギャップを効果的に狭めるための新しい学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-05-25T08:19:31Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Understanding Classifier Mistakes with Generative Models [88.20470690631372]
  ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。 本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。 我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
  論文  参考訳（メタデータ） (2020-10-05T22:13:21Z)
• Deep Learning for Earth Image Segmentation based on Imperfect Polyline Labels with Annotation Errors [12.547819302858045]
  本稿では,深層学習モデルパラメータを更新し,隠れた真のラベル位置を同時に推測するEMアルゴリズムに基づく汎用学習フレームワークを提案する。 ストリームライン改良アプリケーションにおける実世界の水文科学データセットの評価は,提案フレームワークが分類精度においてベースライン法より優れていることを示している。
  論文  参考訳（メタデータ） (2020-10-02T02:54:06Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)
• DMT: Dynamic Mutual Training for Semi-Supervised Learning [69.17919491907296]
  自己学習法は通常、低信頼の擬似ラベルをフィルタリングするために単一のモデル予測の信頼性に依存する。 動的相互学習と呼ばれる動的に再重み付けされた損失関数を用いて、2つの異なるモデル間の相互学習を提案する。 実験の結果,DMTは画像分類とセマンティックセグメンテーションの両方において最先端の性能を実現することがわかった。
  論文  参考訳（メタデータ） (2020-04-18T03:12:55Z)

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。