Neural Annotation Refinement: Development of a New 3D Dataset for Adrenal Gland Analysis

要約

人間の注釈は、特に後輩の施術者によって作成された場合、不完全です。
マルチエキスパートのコンセンサスは通常、ゴールデンスタンダードと見なされますが、このアノテーションプロトコルは、多くの実際のプロジェクトに実装するにはコストがかかりすぎます。
この研究では、Neural Annotation Refinement(NeAR)という名前の人間の注釈を改良する方法を提案します。
これは、潜在ベクトルを表現された形状にデコードする学習可能な陰関数に基づいています。
陰関数の入力として外観を統合することにより、外観を意識したNeARは注釈のアーティファクトを修正します。
私たちの方法は、副腎分析のアプリケーションで示されています。
最初に、NeARが公共の副腎セグメンテーションデータセットの歪んだゴールデンスタンダードを修復できることを示します。
さらに、提案されたNeARを使用して新しい副腎分析(ALAN)データセットを開発します。各ケースは、専門家によって割り当てられた副腎の3D形状とその診断ラベル(正常と異常)で構成されます。
NeARによって修復された形状でトレーニングされたモデルは、元のモデルよりも副腎をより適切に診断できることを示しています。
ALANデータセットはオープンソースであり、副腎診断用の1,594の形状があり、医療形状分析の新しいベンチマークとして機能します。
コードとデータセットはhttps://github.com/M3DV/NeARで入手できます。

要約(オリジナル)

The human annotations are imperfect, especially when produced by junior practitioners. Multi-expert consensus is usually regarded as golden standard, while this annotation protocol is too expensive to implement in many real-world projects. In this study, we propose a method to refine human annotation, named Neural Annotation Refinement (NeAR). It is based on a learnable implicit function, which decodes a latent vector into represented shape. By integrating the appearance as an input of implicit functions, the appearance-aware NeAR fixes the annotation artefacts. Our method is demonstrated on the application of adrenal gland analysis. We first show that the NeAR can repair distorted golden standards on a public adrenal gland segmentation dataset. Besides, we develop a new Adrenal gLand ANalysis (ALAN) dataset with the proposed NeAR, where each case consists of a 3D shape of adrenal gland and its diagnosis label (normal vs. abnormal) assigned by experts. We show that models trained on the shapes repaired by the NeAR can diagnose adrenal glands better than the original ones. The ALAN dataset will be open-source, with 1,594 shapes for adrenal gland diagnosis, which serves as a new benchmark for medical shape analysis. Code and dataset are available at https://github.com/M3DV/NeAR.

arxiv情報

著者 Jiancheng Yang,Rui Shi,Udaranga Wickramasinghe,Qikui Zhu,Bingbing Ni,Pascal Fua
発行日 2022-06-30 14:59:15+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.LG, eess.IV パーマリンク