論文の概要: We Care Each Pixel: Calibrating on Medical Segmentation Model

• arxiv url: http://arxiv.org/abs/2503.05107v1
• Date: Fri, 07 Mar 2025 03:06:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:21:00.333578
• Title: We Care Each Pixel: Calibrating on Medical Segmentation Model
• Title（参考訳）: それぞれのピクセルをケアする:医療セグメンテーションモデルに基づくキャリブレーション
• Authors: Wenhao Liang, Wei Zhang, Yue Lin, Miao Xu, Olaf Maennel, Weitong Chen,
• Abstract要約: pixel-wise expected Error (pECE) は、画素レベルでの誤校正を測定する新しい指標である。 また, キャリブレーション損失の計算に先立って, 地中トラスマスクに形態的操作を適用する形態的適応戦略を導入する。 本手法はセグメンテーション性能を向上するだけでなく,キャリブレーション品質も向上し,信頼性の高い推定値が得られる。
• 参考スコア（独自算出の注目度）: 15.826029150910566
• License:
• Abstract: Medical image segmentation is fundamental for computer-aided diagnostics, providing accurate delineation of anatomical structures and pathological regions. While common metrics such as Accuracy, DSC, IoU, and HD primarily quantify spatial agreement between predictions and ground-truth labels, they do not assess the calibration quality of segmentation models, which is crucial for clinical reliability. To address this limitation, we propose pixel-wise Expected Calibration Error (pECE), a novel metric that explicitly measures miscalibration at the pixel level, thereby ensuring both spatial precision and confidence reliability. We further introduce a morphological adaptation strategy that applies morphological operations to ground-truth masks before computing calibration losses, particularly benefiting margin-based losses such as Margin SVLS and NACL. Additionally, we present the Signed Distance Calibration Loss (SDC), which aligns boundary geometry with calibration objectives by penalizing discrepancies between predicted and ground-truth signed distance functions (SDFs). Extensive experiments demonstrate that our method not only enhances segmentation performance but also improves calibration quality, yielding more trustworthy confidence estimates. Code is available at: https://github.com/EagleAdelaide/SDC-Loss.
• Abstract（参考訳）: 医用画像のセグメンテーションはコンピュータ支援診断の基礎であり、解剖学的構造と病理学的領域の正確な記述を提供する。 精度, DSC, IoU, HD などの一般的な指標は, 主に予測と接地構造ラベルの空間的一致を定量化するが, 臨床信頼性に欠かせないセグメンテーションモデルの校正品質は評価しない。 この制限に対処するため,画素レベルでの誤校正を明示的に測定し,空間精度と信頼性を両立させる新しい指標である画素ワイド校正誤差(pECE)を提案する。 さらに,キャリブレーション損失の計算に先立って,地中面に形態的操作を適用する形態的適応戦略を導入し,特にMargin SVLSやNACLのようなマージンベース損失に有効であることを示す。 さらに, 境界形状とキャリブレーション目標とを一致させる符号付き距離校正損失 (Signed Distance Calibration Loss, SDC) を提案する。 大規模な実験により,本手法はセグメンテーション性能を向上させるだけでなく,キャリブレーション品質も向上し,信頼性の高い推定値が得られることが示された。 コードは、https://github.com/EagleAdelaide/SDC-Loss.comで入手できる。

関連論文リスト

• Consistency Calibration: Improving Uncertainty Calibration via Consistency among Perturbed Neighbors [22.39558434131574]
  モデルキャリブレーションの代替視点として一貫性の概念を導入する。 本稿では,入力間の一貫性に基づいて信頼度を調整する,一貫性(CC)と呼ばれるポストホックキャリブレーション手法を提案する。 また,ロジットレベルでの摂動は計算効率を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2024-10-16T06:55:02Z)
• Average Calibration Error: A Differentiable Loss for Improved Reliability in Image Segmentation [17.263160921956445]
  本稿では,L1平均キャリブレーション誤差(mL1-ACE)を新たな補助損失関数として用いて,セグメンテーション品質を損なうことなく画素ワイドキャリブレーションを改善することを提案する。 この損失は、ハード・ビンニングを用いても直接微分可能であり、近似的ではあるが微分可能なサロゲートやソフト・ビンニングのアプローチを回避できることが示される。
  論文  参考訳（メタデータ） (2024-03-11T14:31:03Z)
• PseudoCal: A Source-Free Approach to Unsupervised Uncertainty Calibration in Domain Adaptation [87.69789891809562]
  非教師なしドメイン適応(UDA)は、未ラベルのターゲットドメインのモデルの精度を向上する顕著な進歩を目撃している。 UDAモデルの安全な配置の重要な側面であるターゲット領域における予測不確実性の校正は、あまり注目されていない。 PseudoCalは、ラベルのないターゲットデータにのみ依存するソースフリーキャリブレーション手法である。
  論文  参考訳（メタデータ） (2023-07-14T17:21:41Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• Confidence Calibration for Object Detection and Segmentation [6.700433100198165]
  本章では,物体検出とセグメンテーションモデルのための信頼性校正について検討する。 本稿では,よく知られたキャリブレーション手法の拡張である多変量信頼度キャリブレーションの概念を紹介する。 本研究では,特にオブジェクト検出とインスタンス分割モデルが本質的に誤校正されていることを示す。
  論文  参考訳（メタデータ） (2022-02-25T15:59:51Z)
• Calibrating the Dice loss to handle neural network overconfidence for biomedical image segmentation [2.6465053740712157]
  Dice similarity coefficient (DSC) は、バイオメディカルイメージセグメンテーションにおいて広く用いられている計量と損失関数である。 本研究では, バイオメディカルイメージセグメンテーションの新たな課題として, キャリブレーションの低さを同定する。 DSC++損失は、過信、不正確な予測に関連するペナルティを選択的に調節する。
  論文  参考訳（メタデータ） (2021-10-31T16:02:02Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。