RIDGE：医学图像分割模型的可复现性、完整性、可靠性、泛化性与效率评估
图像与视频处理
2024-07-04 v2 计算机视觉与模式识别
机器学习
摘要
深度学习技术在推进医学图像分析方面具有巨大潜力，尤其是在图像分割等任务中，对医学图像内感兴趣区域或体积的精确标注至关重要，但人工标注费时费力且易受观察者间和观察者内偏差影响。因此，深度学习方法可为此类应用提供自动化解决方案。然而，这些技术的潜力往往因可复现性和泛化性方面的挑战而受损，这是其临床转化的关键障碍。本文介绍了RIDGE清单，一个旨在评估基于深度学习的医学图像分割模型的可复现性（Reproducibility）、完整性（Integrity）、可靠性（Dependability）、泛化性（Generalizability）和效率（Efficiency）的综合框架。RIDGE清单不仅是评估工具，更是为致力于提升工作质量和透明度的研究人员提供的指南。遵循RIDGE清单中概述的原则，研究人员可确保其开发的分割模型稳健、科学有效且适用于临床环境。
引用
@article{arxiv.2401.08847,
title = {RIDGE: Reproducibility, Integrity, Dependability, Generalizability, and Efficiency Assessment of Medical Image Segmentation Models},
author = {Farhad Maleki and Linda Moy and Reza Forghani and Tapotosh Ghosh and Katie Ovens and Steve Langer and Pouria Rouzrokh and Bardia Khosravi and Ali Ganjizadeh and Daniel Warren and Roxana Daneshjou and Mana Moassefi and Atlas Haddadi Avval and Susan Sotardi and Neil Tenenholtz and Felipe Kitamura and Timothy Kline},
journal= {arXiv preprint arXiv:2401.08847},
year = {2024}
}
备注
24 pages, 1 Figure, 2 Table