論文の概要: COMPASS: Robust Feature Conformal Prediction for Medical Segmentation Metrics

• arxiv url: http://arxiv.org/abs/2509.22240v1
• Date: Fri, 26 Sep 2025 11:56:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.403102
• Title: COMPASS: Robust Feature Conformal Prediction for Medical Segmentation Metrics
• Title（参考訳）: CompASS:医療部門におけるロバスト特徴のコンフォーマル予測
• Authors: Matt Y. Cheung, Ashok Veeraraghavan, Guha Balakrishnan,
• Abstract要約: コンフォーマル予測(CP)は、原則付き不確実性保証を導出する一般的なフレームワークであるが、複雑なセグメンテーション-メトリックパイプラインをブラックボックスとして扱う。 本稿では,その基盤となるディープニューラルネットワークの帰納バイアスを利用して,画像分割モデルに対して,効率的で計量ベースのCP間隔を生成するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 23.593891761167374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In clinical applications, the utility of segmentation models is often based on the accuracy of derived downstream metrics such as organ size, rather than by the pixel-level accuracy of the segmentation masks themselves. Thus, uncertainty quantification for such metrics is crucial for decision-making. Conformal prediction (CP) is a popular framework to derive such principled uncertainty guarantees, but applying CP naively to the final scalar metric is inefficient because it treats the complex, non-linear segmentation-to-metric pipeline as a black box. We introduce COMPASS, a practical framework that generates efficient, metric-based CP intervals for image segmentation models by leveraging the inductive biases of their underlying deep neural networks. COMPASS performs calibration directly in the model's representation space by perturbing intermediate features along low-dimensional subspaces maximally sensitive to the target metric. We prove that COMPASS achieves valid marginal coverage under exchangeability and nestedness assumptions. Empirically, we demonstrate that COMPASS produces significantly tighter intervals than traditional CP baselines on four medical image segmentation tasks for area estimation of skin lesions and anatomical structures. Furthermore, we show that leveraging learned internal features to estimate importance weights allows COMPASS to also recover target coverage under covariate shifts. COMPASS paves the way for practical, metric-based uncertainty quantification for medical image segmentation.
• Abstract（参考訳）: 臨床応用において、セグメンテーションモデルの有用性は、しばしば、セグメンテーションマスク自体のピクセルレベルの精度よりも、オルガンサイズのような派生した下流のメトリクスの精度に基づいている。 したがって、そのようなメトリクスの不確実性定量化は意思決定に不可欠である。 コンフォーマル予測(CP)は、そのような原則付き不確実性の保証を導出する一般的なフレームワークであるが、複雑な非線形セグメンテーション-計量パイプラインをブラックボックスとして扱うため、最終的なスカラーメートル法にCPを直交的に適用することは非効率である。 我々は,その基盤となるディープニューラルネットワークの帰納バイアスを利用して,画像分割モデルに対して,効率的な計量ベースのCP間隔を生成するための実践的フレームワークCompASSを紹介する。 CompASSは、目標距離に対して極大に敏感な低次元部分空間に沿って中間特徴を摂動することで、モデルの表現空間で直接キャリブレーションを行う。 CompASSは交換可能性とネストネスの仮定の下で有効な限界範囲を達成できることを実証する。 実験的に,CompASSは従来のCPベースラインよりも,皮膚病変および解剖学的構造の面積推定のための4つの医用画像分割タスクにおいて,かなり厳密な間隔を生じることを示した。 さらに,学習した内部特徴を利用して重み付けを推定することにより,コバリアレートシフト下での目標カバレッジを回復できることを示す。 CompASSは、医療画像セグメンテーションのための実用的、計量に基づく不確実性定量化の道を開く。

関連論文リスト

• We Care Each Pixel: Calibrating on Medical Segmentation Model [12.592472854721333]
  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。
  論文  参考訳（メタデータ） (2025-03-07T03:06:03Z)
• 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)
• Segmentation Quality and Volumetric Accuracy in Medical Imaging [0.9426448361599084]
  現在の医療画像のセグメンテーションは、デファクト標準として領域ベース(Dice, F1スコア)と境界ベース(ハウスドルフ距離、表面距離)のメトリクスに依存している。 これらの指標は広く使用されているが、特にボリューム合意に関する統一的な解釈は欠如している。 本稿では,相対体積予測誤差(vpe)を用いて,セグメンテーションタスクから導出される体積予測の精度を直接評価する。
  論文  参考訳（メタデータ） (2024-04-27T00:49:39Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 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。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  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)
• 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)

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。