Learning Unbiased Image Segmentation: A Case Study with Plain Knee Radiographs

要約

膝の骨の解剖学的構造の自動セグメンテーションは整形外科では不可欠であり、術前と術後の両方の設定で数年前から使用されています。
深層学習アルゴリズムは医療画像分析において優れたパフォーマンスを実証していますが、これらのモデル内の公平性と潜在的なバイアスの評価は依然として限定的です。
この研究は、単純 X 線写真を使用して深層学習を利用した膝骨の解剖学的セグメンテーションを再検討し、目に見える性別と人種の偏見を明らかにすることを目的としています。
今回の貢献は、バイアスについての理解を進める可能性をもたらし、医療画像分野の研究者や実務者に実践的な洞察を提供します。
提案された緩和戦略は、性別と人種の偏見を緩和し、公平で偏りのないセグメンテーション結果を保証します。
さらに、この取り組みは、多様な患者集団に対する正確な診断と治療結果への平等なアクセスを促進し、公平で包括的な医療提供を促進します。

要約(オリジナル)

Automatic segmentation of knee bony anatomy is essential in orthopedics, and it has been around for several years in both pre-operative and post-operative settings. While deep learning algorithms have demonstrated exceptional performance in medical image analysis, the assessment of fairness and potential biases within these models remains limited. This study aims to revisit deep learning-powered knee-bony anatomy segmentation using plain radiographs to uncover visible gender and racial biases. The current contribution offers the potential to advance our understanding of biases, and it provides practical insights for researchers and practitioners in medical imaging. The proposed mitigation strategies mitigate gender and racial biases, ensuring fair and unbiased segmentation results. Furthermore, this work promotes equal access to accurate diagnoses and treatment outcomes for diverse patient populations, fostering equitable and inclusive healthcare provision.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google