In-Context Reverse Classification Accuracy: Efficient Estimation of Segmentation Quality without Ground-Truth

要約

自動画像セグメンテーションの品質を評価することは、臨床診療では非常に重要ですが、グラウンドトゥルースアノテーションの入手可能性が限られているため、多くの場合非常に困難です。
このホワイトペーパーでは、根真実の注釈がない場合にセグメンテーション品質を自動的に推定するための新しいフレームワークであるコンテキスト内逆分類精度（コンテキストRCA）を紹介します。
最近のコンテキスト内学習セグメンテーションモデルを活用し、検索の高度技術を組み込んで最も関連性の高い参照画像を選択することにより、このアプローチにより、最小限の参照データを使用して効率的な品質推定を可能にします。
多様な医療イメージングモダリティ全体で検証されたこの方法は、堅牢なパフォーマンスと計算効率を示しており、高速で信頼できるセグメンテーション評価が不可欠な臨床ワークフローでの自動品質制御の有望なソリューションを提供します。
このコードは、https：//github.com/mcosarinsky/in-context-rcaで入手できます。

要約(オリジナル)

Assessing the quality of automatic image segmentation is crucial in clinical practice, but often very challenging due to the limited availability of ground truth annotations. In this paper, we introduce In-Context Reverse Classification Accuracy (In-Context RCA), a novel framework for automatically estimating segmentation quality in the absence of ground-truth annotations. By leveraging recent in-context learning segmentation models and incorporating retrieval-augmentation techniques to select the most relevant reference images, our approach enables efficient quality estimation with minimal reference data. Validated across diverse medical imaging modalities, our method demonstrates robust performance and computational efficiency, offering a promising solution for automated quality control in clinical workflows, where fast and reliable segmentation assessment is essential. The code is available at https://github.com/mcosarinsky/In-Context-RCA.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google