An unobtrusive quality supervision approach for medical image annotation

要約

画像の注釈は、データ駆動型アルゴリズムを有効にするための重要な前段階の 1 つです。
医用画像処理では、さまざまな疾患を確実に認識するために、大規模で確実に注釈が付けられたデータ セットを持つことが重要です。
ただし、アノテーターのパフォーマンスは大きく異なるため、モデルのトレーニングに影響します。
したがって、多くの場合、複数のアノテーターを使用する必要がありますが、これは高価でリソース集約的です。
したがって、ユーザーが目に見えないデータに注釈を付け、このプロセス中に自分のパフォーマンスを目立たないように評価する自動システムを持つことが望ましいです。
肺液細胞を示す全体スライド画像 (WSI) に基づいて、このようなシステムを調べます。
条件付きの敵対的生成ネットワークと拡散モデル (DM) の 2 つの合成個別細胞画像の生成方法を評価します。
定性的および定量的評価のために、生成されたセルの適合性を強調するためにユーザー調査を実施します。
ユーザーは、DM によって生成された画像の 52.12% を検出できず、気付かれずに元の細胞を合成細胞に置き換える可能性を証明できませんでした。

要約(オリジナル)

Image annotation is one essential prior step to enable data-driven algorithms. In medical imaging, having large and reliably annotated data sets is crucial to recognize various diseases robustly. However, annotator performance varies immensely, thus impacts model training. Therefore, often multiple annotators should be employed, which is however expensive and resource-intensive. Hence, it is desirable that users should annotate unseen data and have an automated system to unobtrusively rate their performance during this process. We examine such a system based on whole slide images (WSIs) showing lung fluid cells. We evaluate two methods the generation of synthetic individual cell images: conditional Generative Adversarial Networks and Diffusion Models (DM). For qualitative and quantitative evaluation, we conduct a user study to highlight the suitability of generated cells. Users could not detect 52.12% of generated images by DM proofing the feasibility to replace the original cells with synthetic cells without being noticed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google