Lirot.ai: A Novel Platform for Crowd-Sourcing Retinal Image Segmentations

要約

はじめに: 教師あり深層学習 (DL) タスクの場合、研究者は注釈付きの大規模なデータセットを必要とします。
医療データ サイエンスでは、DL モデルを開発する際の主な制限の 1 つは、注釈付きの例が大量にないことです。
これは、多くの場合、注釈付けに必要な時間と専門知識によるものです。
画像セグメンテーションを促進し、クラウドソーシングするための新しいプラットフォームである Lirot.ai を紹介します。
方法: Lirot.ai は 3 つのコンポーネントで構成されています。
Lirot.ai-app という名前の iPadOS クライアント アプリケーション、Lirot.ai-server という名前のバックエンド サーバー、および Lirot.ai-API という名前の Python API です。
Lirot.ai-app は Swift 5.6 で開発され、Lirot.ai-server は firebase バックエンドです。
Lirot.ai-API により、データベースの管理が可能になります。
Lirot.ai-app は、アノテーターがセグメンテーションを同時にリモートで実行できるように、必要な数の iPadOS デバイスにインストールできます。
Apple Pencil との互換性が組み込まれているため、セグメンテーションは他のコンピューターベースの代替手段よりも高速で正確で直感的です。
結果: Lirot.ai を使用して、血管系セグメンテーションを参照する網膜眼底データセットを作成する方法を示します。
ディスカッションと今後の作業: アクティブ ラーニング戦略を使用して、注釈を付ける画像を選択し、それらを注釈者に配布するためのより効率的なプロセスを含めることにより、網膜眼底データセットを拡大し続けます。

要約(オリジナル)

Introduction: For supervised deep learning (DL) tasks, researchers need a large annotated dataset. In medical data science, one of the major limitations to develop DL models is the lack of annotated examples in large quantity. This is most often due to the time and expertise required to annotate. We introduce Lirot.ai, a novel platform for facilitating and crowd-sourcing image segmentations. Methods: Lirot.ai is composed of three components; an iPadOS client application named Lirot.ai-app, a backend server named Lirot.ai-server and a python API name Lirot.ai-API. Lirot.ai-app was developed in Swift 5.6 and Lirot.ai-server is a firebase backend. Lirot.ai-API allows the management of the database. Lirot.ai-app can be installed on as many iPadOS devices as needed so that annotators may be able to perform their segmentation simultaneously and remotely. We incorporate Apple Pencil compatibility, making the segmentation faster, more accurate, and more intuitive for the expert than any other computer-based alternative. Results: We demonstrate the usage of Lirot.ai for the creation of a retinal fundus dataset with reference vasculature segmentations. Discussion and future work: We will use active learning strategies to continue enlarging our retinal fundus dataset by including a more efficient process to select the images to be annotated and distribute them to annotators.

arxiv情報

著者 Jonathan Fhima,Jan Van Eijgen,Moti Freiman,Ingeborg Stalmans,Joachim A. Behar
発行日 2022-08-22 07:19:46+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.CV パーマリンク