論文の概要: Conformal In-Context Reverse Classification Accuracy: Efficient Estimation of Segmentation Quality with Statistical Guarantees

• arxiv url: http://arxiv.org/abs/2503.04522v3
• Date: Mon, 22 Sep 2025 15:51:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 14:36:44.866239
• Title: Conformal In-Context Reverse Classification Accuracy: Efficient Estimation of Segmentation Quality with Statistical Guarantees
• Title（参考訳）: コンフォーマルな逆分類精度:統計的保証者によるセグメンテーション品質の効率的な推定
• Authors: Matias Cosarinsky, Ramiro Billot, Lucas Mansilla, Gabriel Jimenez, Nicolas Gaggión, Guanghui Fu, Tom Tirer, Enzo Ferrante,
• Abstract要約: 本研究では,セグメント化品質を自動的に推定する新しい手法であるConformal In-Context RCAを紹介する。 RCAは、これらの予測に基づいてセグメンタをトレーニングし、既存の注釈付き画像と比較することで、未知のサンプルに対する新しい予測の品質を推定する。 コンフォーマルRCAは、真のスコアがユーザ特定確率で推定区間内にあるという統計的保証を提供するセグメンテーション品質の予測区間を生成する。
• 参考スコア（独自算出の注目度）: 13.049963477485031
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: 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. Reverse Classification Accuracy (RCA) is an approach that estimates the quality of new predictions on unseen samples by training a segmenter on those predictions, and then evaluating it against existing annotated images. In this work, we introduce Conformal In-Context RCA, a novel method for automatically estimating segmentation quality with statistical guarantees in the absence of ground-truth annotations, which consists of two main innovations. First, In-Context RCA, which leverages recent in-context learning models for image segmentation and incorporates retrieval-augmentation techniques to select the most relevant reference images. This approach enables efficient quality estimation with minimal reference data while avoiding the need of training additional models. Second, we introduce Conformal RCA, which extends both the original RCA framework and In-Context RCA to go beyond point estimation. Using tools from split conformal prediction, Conformal RCA produces prediction intervals for segmentation quality providing statistical guarantees that the true score lies within the estimated interval with a user-specified probability. Validated across 10 different medical imaging tasks in various organs and modalities, our methods demonstrate 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/Conformal-In-Context-RCA.
• Abstract（参考訳）: 自動画像分割の質を評価することは、臨床実践において重要であるが、地上の真実の注釈が不足しているため、しばしば非常に困難である。 逆分類精度 (Reverse Classification Accuracy, RCA) は、これらの予測に対してセグメンタを訓練し、既存の注釈付き画像と比較することにより、未知のサンプルに対する新しい予測の品質を推定するアプローチである。 本研究では,2つの主要な革新から成り立つ接地構文アノテーションが存在しない場合に,セグメント化品質を自動的に推定する新しい手法であるConformal In-Context RCAを紹介する。 まず、In-Context RCAは、画像セグメンテーションに最近の文脈内学習モデルを活用し、最も関連性の高い参照画像を選択するために検索強化手法を取り入れている。 このアプローチは、追加モデルのトレーニングを回避しながら、最小限の参照データによる効率的な品質推定を可能にする。 次に,従来のRCAフレームワークとIn-Context RCAの両方を拡張したConformal RCAを導入する。 分割共形予測のツールを用いて、Conformal RCAは、真のスコアがユーザ特定確率で推定間隔内にあるという統計的保証を提供するセグメンテーション品質の予測間隔を生成する。 様々な臓器やモダリティにおいて10種類の医療画像タスクにまたがって検証し, 高速かつ信頼性の高いセグメンテーションアセスメントが不可欠である臨床ワークフローにおいて, 自動品質管理のための有望なソリューションを提供する, 堅牢なパフォーマンスと計算効率を示す。 コードはhttps://github.com/mcosarinsky/Conformal-In-Context-RCAで公開されている。

関連論文リスト

• Pitfalls of topology-aware image segmentation [81.19923502845441]
  我々は、不適切な接続選択、見過ごされたトポロジカルアーティファクト、評価指標の不適切な使用を含むモデル評価における致命的な落とし穴を同定する。 本稿では,トポロジを意識した医用画像分割手法の公正かつ堅牢な評価基準を確立するための,行動可能なレコメンデーションセットを提案する。
  論文  参考訳（メタデータ） (2024-12-19T08:11:42Z)
• Mind the Context: Attention-Guided Weak-to-Strong Consistency for Enhanced Semi-Supervised Medical Image Segmentation [14.67636369741001]
  本稿では,AIGCMatch (Attention-Guided weak-to-strong Consistency Match) という半教師付き学習フレームワークを提案する。 AIGCMatchフレームワークは、イメージレベルと特徴レベルの両方において注意誘導の摂動戦略を取り入れ、弱い一貫性の規則化を実現する。 本手法は, ACDCデータセットの7ケースシナリオにおいて90.4%のDiceスコアを達成し, 最先端の手法を超越し, 臨床環境におけるその可能性と有効性を示した。
  論文  参考訳（メタデータ） (2024-10-16T10:04:22Z)
• Multi-Modal Prompt Learning on Blind Image Quality Assessment [65.0676908930946]
  画像品質評価(IQA)モデルは意味情報から大きな恩恵を受け、異なる種類のオブジェクトを明瞭に扱うことができる。 十分な注釈付きデータが不足している従来の手法では、セマンティックな認識を得るために、CLIPイメージテキスト事前学習モデルをバックボーンとして使用していた。 近年のアプローチでは、このミスマッチに即時技術を使って対処する試みがあるが、これらの解決策には欠点がある。 本稿では、IQAのための革新的なマルチモーダルプロンプトベースの手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T11:45:32Z)
• Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment [49.36799270585947]
  No-Reference Point Cloud Quality Assessment (NR-PCQA) は、歪んだ点雲の知覚的品質を、参照なしで自動的に評価することを目的としている。 我々は,PCQA(CoPA)に適した新しいコントラスト付き事前学習フレームワークを提案する。 提案手法は,最新のPCQA手法よりも高い性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T07:16:07Z)
• Class Activation Map-based Weakly supervised Hemorrhage Segmentation using Resnet-LSTM in Non-Contrast Computed Tomography images [0.06269281581001895]
  非造影CT(non-contrast CT, NCCT)による重症度評価にて頭蓋内出血を診断した。 ディープラーニング(DL)ベースの手法は大きな可能性を示しているが、トレーニングには大量の手書きの病変レベルラベルが必要である。 画像レベルのバイナリ分類ラベルを用いて,NCCTスキャン上でのICHセグメンテーションの弱教師付きDL手法を提案する。
  論文  参考訳（メタデータ） (2023-09-28T17:32:19Z)
• FUSQA: Fetal Ultrasound Segmentation Quality Assessment [1.0819408603463427]
  分割品質評価に取り組むための簡易な胎児超音波品質評価(FUSQA)モデルを提案する。 そこで我々は、より正確な妊娠年齢推定のために、セグメンテーション品質評価プロセスを自動分類タスクとして定式化し、良質なセグメンテーションマスクと良質なセグメンテーションマスクを区別する。
  論文  参考訳（メタデータ） (2023-03-08T07:45:06Z)
• Quality control for more reliable integration of deep learning-based image segmentation into medical workflows [0.23609258021376836]
  本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。 磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
  論文  参考訳（メタデータ） (2021-12-06T16:30:43Z)
• Interactive Medical Image Segmentation with Self-Adaptive Confidence Calibration [10.297081695050457]
  本稿では,自己適応信頼度校正(MECCA)を用いた対話型メダカルセグメンテーションという対話型セグメンテーションフレームワークを提案する。 新規な行動に基づく信頼ネットワークを通じて評価を確立し、MARLから補正動作を得る。 種々の医用画像データセットに対する実験結果から,提案アルゴリズムの有意な性能が示された。
  論文  参考訳（メタデータ） (2021-11-15T12:38:56Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。