مقاله RIDGE: تکرارپذیری، یکپارچگی، قابلیت اطمینان، تعمیم‌پذیری و ارزیابی کارایی مدل‌های تقسیم‌بندی تصویر پزشکی

چکیده

Deep learning techniques, despite their potential, often suffer from a lack of reproducibility and generalizability, impeding their clinical adoption. Image segmentation is one of the critical tasks in medical image analysis, in which one or several regions/volumes of interest should be annotated. This paper introduces the RIDGE checklist, a framework for assessing the Reproducibility, Integrity, Dependability, Generalizability, and Efficiency of deep learning-based medical image segmentation models. The checklist serves as a guide for researchers to enhance the quality and transparency of their work, ensuring that segmentation models are not only scientifically sound but also clinically relevant.

چکیده به فارسی (ترجمه ماشینی)

تکنیک های یادگیری عمیق ، با وجود پتانسیل های آنها ، اغلب از عدم تکرارپذیری و تعمیم پذیری رنج می برند و مانع پذیرش بالینی آنها می شوند.تقسیم تصویر یکی از وظایف مهم در تجزیه و تحلیل تصویر پزشکی است که در آن باید یک یا چند منطقه/حجم مورد علاقه حاشیه نویسی شود.در این مقاله ، لیست چک لیست ریج ، چارچوبی برای ارزیابی تکرارپذیری ، یکپارچگی ، قابلیت اطمینان ، تعمیم پذیری و کارآیی مدلهای تقسیم بندی تصویر پزشکی مبتنی بر یادگیری عمیق ارائه شده است.این لیست چک به عنوان راهنما برای محققان برای ارتقاء کیفیت و شفافیت کار خود ، اطمینان حاصل می کند که مدل های تقسیم بندی نه تنها از نظر علمی سالم بلکه از نظر بالینی نیز مرتبط هستند.