論文の概要: Progressive Uncertainty-Guided Evidential U-KAN for Trustworthy Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2510.08949v1
• Date: Fri, 10 Oct 2025 02:58:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.025143
• Title: Progressive Uncertainty-Guided Evidential U-KAN for Trustworthy Medical Image Segmentation
• Title（参考訳）: 信頼できる医用画像分割のためのプログレッシブ不確実性ガイド付証拠U-KAN
• Authors: Zhen Yang, Yansong Ma, Lei Chen,
• Abstract要約: 本研究では,硬質領域の特徴表現学習に焦点を合わせるために,プログレッシブ・エビデンス・ガイドド・アテンション(PEUA)機構を提案する。 従来のアプローチとは異なり、PEUAは注意重みを軽視するために低ランク学習を使用しながら、不確実性マップを使用して注意を徐々に洗練する。 そこで我々は,意味保存エビデンス学習(SAEL)戦略を導入し,セマンティック・スムース・エビデンス・ジェネレータとフィデリティ・エンハンス・正規化項を統合して,重要なセマンティクスを維持する。
• 参考スコア（独自算出の注目度）: 11.953394478206581
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Trustworthy medical image segmentation aims at deliver accurate and reliable results for clinical decision-making. Most existing methods adopt the evidence deep learning (EDL) paradigm due to its computational efficiency and theoretical robustness. However, the EDL-based methods often neglect leveraging uncertainty maps rich in attention cues to refine ambiguous boundary segmentation. To address this, we propose a progressive evidence uncertainty guided attention (PEUA) mechanism to guide the model to focus on the feature representation learning of hard regions. Unlike conventional approaches, PEUA progressively refines attention using uncertainty maps while employing low-rank learning to denoise attention weights, enhancing feature learning for challenging regions. Concurrently, standard EDL methods suppress evidence of incorrect class indiscriminately via Kullback-Leibler (KL) regularization, impairing the uncertainty assessment in ambiguous areas and consequently distorts the corresponding attention guidance. We thus introduce a semantic-preserving evidence learning (SAEL) strategy, integrating a semantic-smooth evidence generator and a fidelity-enhancing regularization term to retain critical semantics. Finally, by embedding PEUA and SAEL with the state-of-the-art U-KAN, we proposes Evidential U-KAN, a novel solution for trustworthy medical image segmentation. Extensive experiments on 4 datasets demonstrate superior accuracy and reliability over the competing methods. The code is available at \href{https://anonymous.4open.science/r/Evidence-U-KAN-BBE8}{github}.
• Abstract（参考訳）: 信頼できる医用画像セグメンテーションは、臨床的意思決定のために正確で信頼性の高い結果を提供することを目的としている。 既存の手法の多くは、計算効率と理論的堅牢性のため、エビデンス・ディープ・ラーニング(EDL)パラダイムを採用している。 しかし、EDLに基づく手法は、曖昧な境界セグメンテーションを洗練させるために、注意に富んだ不確実性マップを活用することをしばしば無視する。 そこで本研究では,ハード領域の特徴表現学習に焦点を合わせるために,PEUA(Progressive evidence uncertainty guideed attention)機構を提案する。 従来のアプローチとは異なり、PEUAは不確実性マップを使用して注意を徐々に洗練し、低ランクの学習を用いて注意重みを軽視し、挑戦的な領域における特徴学習を強化している。 同時に、標準EDL法は、Kulback-Leibler(KL)正則化(英語版)を経由し、不明瞭な領域における不確実性評価を損なうとともに、それに伴う注意誘導を歪ませる。 そこで我々は,意味保存エビデンス学習(SAEL)戦略を導入し,セマンティック・スムース・エビデンス・ジェネレータとフィデリティ・エンハンス・正規化項を統合して,重要なセマンティクスを維持する。 最後に、PEUAとSAELを最先端のU-KANに埋め込むことで、信頼できる医用画像セグメンテーションのための新しいソリューションであるEvidential U-KANを提案する。 4つのデータセットに対する大規模な実験は、競合する手法よりも精度と信頼性が優れていることを示している。 コードは \href{https://anonymous.4open.science/r/Evidence-U-KAN-BBE8}{github} で公開されている。

関連論文リスト

• Diffusion-based Counterfactual Augmentation: Towards Robust and Interpretable Knee Osteoarthritis Grading [7.748673766536236]
  本稿では,モデルの堅牢性と解釈可能性を高める拡散型対実拡張(DCA)の枠組みを提案する。 このフレームワークは、モデル不確実性を堅牢なトレーニング信号に変換し、より正確で信頼性の高い自動診断システムを開発するための有望な経路を提供する。
  論文  参考訳（メタデータ） (2025-06-18T04:16:28Z)
• Towards Robust Uncertainty-Aware Incomplete Multi-View Classification [11.617211995206018]
  不完全なMVCシナリオにおけるEDLに基づく手法を強化するために、Alternating Progressive Learning Network (APLN)を提案する。 APLNは、まず粗い計算を適用し、次にデータを潜在空間にマッピングすることで、破損した観測データからのバイアスを緩和する。 また、矛盾する証拠をよりよく扱うために、コンフリクト対応のDempster-Shaferコンビネーションルール(DSCR)を導入します。
  論文  参考訳（メタデータ） (2024-09-10T07:18:57Z)
• Inadequacy of common stochastic neural networks for reliable clinical decision support [0.4262974002462632]
  医療意思決定におけるAIの普及は、倫理的および安全性に関する懸念から、いまだに妨げられている。 しかし、一般的なディープラーニングアプローチは、データシフトによる過信傾向にある。 本研究は臨床応用における信頼性について考察する。
  論文  参考訳（メタデータ） (2024-01-24T18:49:30Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• EVIL: Evidential Inference Learning for Trustworthy Semi-supervised Medical Image Segmentation [7.58442624111591]
  半教師付き医用画像セグメンテーションにEVIL(Evidential Inference Learning)を導入する。 EVILは理論上保証されたソリューションを提供し、単一の前方通過において正確な定量化の不確かさを推測する。 EVILは,公開データセット上のいくつかの最先端手法と比較して,競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-07-18T05:59:27Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• 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)

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。