Fugu-MT 論文翻訳(概要): Spatially-Aware Evaluation of Segmentation Uncertainty

論文の概要: Spatially-Aware Evaluation of Segmentation Uncertainty

arxiv url: http://arxiv.org/abs/2506.16589v1
Date: Thu, 19 Jun 2025 20:24:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-23 19:00:05.247981
Title: Spatially-Aware Evaluation of Segmentation Uncertainty
Title（参考訳）: セグメンテーションの不確かさの空間的評価
Abstract要約: 不確実性評価指標は、空間的文脈や解剖学的構造を無視して、別々にボクセルを扱います。構造情報と境界情報を含む3つの空間認識メトリクスを提案する。以上の結果より,臨床的に重要な因子との整合性が向上し,有意義な不確実性パターンと急激な不確実性パターンの識別性が向上した。
参考スコア（独自算出の注目度）: 2.3272947684291116
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Uncertainty maps highlight unreliable regions in segmentation predictions. However, most uncertainty evaluation metrics treat voxels independently, ignoring spatial context and anatomical structure. As a result, they may assign identical scores to qualitatively distinct patterns (e.g., scattered vs. boundary-aligned uncertainty). We propose three spatially aware metrics that incorporate structural and boundary information and conduct a thorough validation on medical imaging data from the prostate zonal segmentation challenge within the Medical Segmentation Decathlon. Our results demonstrate improved alignment with clinically important factors and better discrimination between meaningful and spurious uncertainty patterns.
Abstract（参考訳）: 不確実性マップはセグメンテーション予測において信頼できない領域をハイライトする。しかし、ほとんどの不確実性評価指標は、空間的文脈や解剖学的構造を無視して、別々にボクセルを扱います。結果として、同じスコアを定性的に異なるパターン(例えば、分散対境界整合不確実性)に割り当てることができる。本稿では, 構造情報と境界情報を組み込んだ空間認識メトリクスを3つ提案し, 前立腺領域分割課題からの医用画像データの徹底的検証を行う。以上の結果より,臨床的に重要な因子との整合性が向上し,有意義な不確実性パターンと急激な不確実性パターンの識別性が向上した。

関連論文リスト

Beyond Boundary Noise: Aggregated Aleatoric Uncertainty Fails to Capture Presence Ambiguity in 3D Lung Nodule Segmentation [13.944682026264472]
3次元肺セグメンテーションにおいて,アレタリック不確実性が存在の曖昧さをいかに捉えているかを系統的に評価した。エントロピーに基づく不確実性マップは境界雑音と一致しているが,不明瞭さに対する識別信号は不十分である。凍結セグメンテーションで訓練された軽量な教師付き曖昧性ヘッドはエントロピー集約に基づくベースラインを大幅に上回る。
論文参考訳（メタデータ） (2026-08-14T12:12:34Z)
Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
論文参考訳（メタデータ） (2026-06-17T08:10:30Z)
DeferredSeg: A Multi-Expert Deferral Framework for Trustworthy Medical Image Segmentation [66.24948946364329]
DeferredSegは、特定の地域の人間専門家に予測をデファクトする、遅延認識セグメンテーションフレームワークである。我々は、MedSAMとCENetをベースセグメンタとして、公平な比較のための3つの挑戦的な医療データセット上でDederredSegを評価した。 DeferredSegが一貫してベースラインを上回っていることを示す実験結果が得られた。
論文参考訳（メタデータ） (2026-04-14T07:50:31Z)
Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
論文参考訳（メタデータ） (2026-04-13T03:59:54Z)
DGRNet: Disagreement-Guided Refinement for Uncertainty-Aware Brain Tumor Segmentation [25.65330582165925]
本稿では,MRI脳腫瘍セグメント化のためのDGRNet(Disagreement-Guided Refinement Network)を提案する。 DGRNetは、共有エンコーダデコーダにアタッチされた4つの軽量ビュー固有アダプタを介して、多様な予測を生成する。 DGRNetは,DiceとHD95の2.4%と11%の精度で,最先端のセグメンテーション精度を良好に向上することを示した。
論文参考訳（メタデータ） (2026-03-22T06:56:38Z)
AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
論文参考訳（メタデータ） (2026-01-23T11:59:13Z)
Towards Trustworthy Breast Tumor Segmentation in Ultrasound using Monte Carlo Dropout and Deep Ensembles for Epistemic Uncertainty Estimation [0.01066386648660129]
乳房超音波セグメンテーションにおけるResidual U-Netの応用について検討した。 BUSIデータセットにおけるデータ重複の同定と補正を行う。モンテカルロ・ドロップアウト、ディープアンサンブル、およびそれらの組み合わせを用いて、疫学的不確実性を定量化する。
論文参考訳（メタデータ） (2025-08-25T08:06:07Z)
Uncertainty-Guided Coarse-to-Fine Tumor Segmentation with Anatomy-Aware Post-Processing [12.163563962576587]
胸部CT検査では, 境界の曖昧さ, クラス不均衡, 解剖学的変動が原因で, 腫瘍の切除が困難である。本報告では, 完全体積腫瘍局在化と高精細領域(ROI)セグメンテーションを併用した不確実性誘導粗いセグメンテーションフレームワークを提案する。プライベートデータセットとパブリックデータセットの実験では、DiceとHausdorffのスコアが改善され、偽陽性が減り、空間的解釈性が向上した。
論文参考訳（メタデータ） (2025-04-16T16:08:38Z)
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)
Every Component Counts: Rethinking the Measure of Success for Medical Semantic Segmentation in Multi-Instance Segmentation Tasks [60.80828925396154]
本稿では,新しいセマンティックセグメンテーション評価プロトコルであるConnected-Component (CC)-Metricsを提案する。本研究は,全体PET/CTにおけるセマンティックセグメンテーションの一般的な医療シナリオにおいて,この設定を動機付けている。既存のセマンティックセグメンテーションのメトリクスが、より大きな接続コンポーネントに対するバイアスにどのように悩まされているかを示す。
論文参考訳（メタデータ） (2024-10-24T12:26:05Z)
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)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文参考訳（メタデータ） (2022-07-24T07:45:47Z)
CRISP - Reliable Uncertainty Estimation for Medical Image Segmentation [6.197149831796131]
本研究では,不確実性予測のためのCRISPをContRastive Imageとして提案する。 CRISPはその中核として、有効なセグメンテーションの分布を符号化するジョイント潜在空間を学習するためのコントラスト的手法を実装している。この共同潜伏空間を用いて予測を数千の潜伏ベクトルと比較し、解剖学的に一貫した不確実性写像を提供する。
論文参考訳（メタデータ） (2022-06-15T16:56:58Z)
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文参考訳（メタデータ） (2021-10-17T08:49:33Z)
Uncertainty Quantification in Medical Image Segmentation with Multi-decoder U-Net [3.961279440272763]
医用画像のセグメンテーションの不確かさを,教師付き学習方式で複数のアノテーションを用いたセグメンテーション性能の測定により評価する。複数のデコーダを持つU-Netアーキテクチャを提案し、画像表現を同じエンコーダで符号化し、各アノテーションを参照するセグメンテーションを複数のデコーダで推定する。提案アーキテクチャはエンドツーエンドでトレーニングされ、予測の不確実性推定を改善することができる。
論文参考訳（メタデータ） (2021-09-15T01:46:29Z)
Analyzing Epistemic and Aleatoric Uncertainty for Drusen Segmentation in Optical Coherence Tomography Images [4.125187280299246]
加齢関連黄斑変性症(AMD)は60歳以上の高齢者の永久視喪失の原因の1つである。我々は,u-netに基づくドルーゼンセグメンテーションモデルを開発し,セグメンテーションの不確かさを定量化する。
論文参考訳（メタデータ） (2021-01-21T23:34:29Z)

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。