論文の概要: Learning from Disagreement: A Group Decision Simulation Framework for Robust Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2510.10462v1
• Date: Sun, 12 Oct 2025 05:57:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.952946
• Title: Learning from Disagreement: A Group Decision Simulation Framework for Robust Medical Image Segmentation
• Title（参考訳）: 診断から学ぶ:ロバストな医用画像分割のためのグループ決定シミュレーションフレームワーク
• Authors: Chen Zhong, Yuxuan Yang, Xinyue Zhang, Ruohan Ma, Yong Guo, Gang Li, Jupeng Li,
• Abstract要約: 医用画像のセグメンテーションアノテーションはレーザー間変動(IRV)に悩まされる 専門家ラベルの平均的な基準的アプローチは、意見の相違から明らかな有意義な臨床的不確実性を捨てるため、欠陥がある。 我々は,臨床パネルの協調的意思決定プロセスを模倣して機能するグループ決定シミュレーションフレームワークを,根本的に新しいアプローチで導入する。
• 参考スコア（独自算出の注目度）: 19.530108661940258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation annotation suffers from inter-rater variability (IRV) due to differences in annotators' expertise and the inherent blurriness of medical images. Standard approaches that simply average expert labels are flawed, as they discard the valuable clinical uncertainty revealed in disagreements. We introduce a fundamentally new approach with our group decision simulation framework, which works by mimicking the collaborative decision-making process of a clinical panel. Under this framework, an Expert Signature Generator (ESG) learns to represent individual annotator styles in a unique latent space. A Simulated Consultation Module (SCM) then intelligently generates the final segmentation by sampling from this space. This method achieved state-of-the-art results on challenging CBCT and MRI datasets (92.11% and 90.72% Dice scores). By treating expert disagreement as a useful signal instead of noise, our work provides a clear path toward more robust and trustworthy AI systems for healthcare.
• Abstract（参考訳）: 医用画像のセグメンテーションアノテーションは、アノテータの専門性や医用画像の固有の曖昧さの違いにより、ラター間変動(IRV)に悩まされる。 専門家ラベルの平均的な基準的アプローチは、意見の相違から明らかな有意義な臨床的不確実性を捨てるため、欠陥がある。 我々は,臨床パネルの協調的意思決定プロセスを模倣して機能するグループ決定シミュレーションフレームワークを,根本的に新しいアプローチで導入する。 このフレームワークの下で、Expert Signature Generator (ESG) は個々のアノテータスタイルを独自の潜在空間で表現することを学ぶ。 次に、SCM(Simulated Consultation Module)が、この空間からサンプリングすることで、最終的なセグメンテーションをインテリジェントに生成する。 この手法はCBCTとMRIデータセット(92.11%と90.72%のDiceスコア)に挑戦して最先端の結果を得た。 専門家の不一致をノイズの代わりに有用な信号として扱うことで、我々の研究は、医療のためのより堅牢で信頼できるAIシステムへの明確な道筋を提供する。

関連論文リスト

• Uncertainty-Aware Vision-Language Segmentation for Medical Imaging [12.545486211087791]
  医療診断のための新しい不確実性を考慮したマルチモーダルセグメンテーションフレームワークを提案する。 本稿では,高効率なクロスモーダル融合を実現するために,軽量なステートスペースミキサ(SSMix)を備えたModality Decoding Attention Block (MoDAB)を提案する。 本研究は,視覚言語医学的セグメンテーションタスクにおいて,不確実性モデリングと構造化モダリティアライメントを取り入れることの重要性を強調した。
  論文  参考訳（メタデータ） (2026-02-16T06:27:51Z)
• Sim4Seg: Boosting Multimodal Multi-disease Medical Diagnosis Segmentation with Region-Aware Vision-Language Similarity Masks [54.00822479127598]
  医療診断(MDS)という医用視覚言語タスクについて紹介する。 MDSは、医療画像に対する臨床クエリを理解し、対応するセグメンテーションマスクと診断結果を生成することを目的としている。 診断セグメンテーションの性能を向上させる新しいフレームワークであるSim4Segを提案する。
  論文  参考訳（メタデータ） (2025-11-10T03:22:42Z)
• Benchmarking and Explaining Deep Learning Cortical Lesion MRI Segmentation in Multiple Sclerosis [28.192924379673862]
  多発性硬化症(MS)における生体マーカーとしての皮質病変(CL)の出現 本稿では,MRIにおけるCL検出とセグメンテーションの総合ベンチマークを提案する。 医療画像のセグメンテーションのために設計された自己構成のnnU-Netフレームワークを利用し、CL検出の改善に適した適応を提案する。
  論文  参考訳（メタデータ） (2025-07-16T09:56:11Z)
• MAMBO-NET: Multi-Causal Aware Modeling Backdoor-Intervention Optimization for Medical Image Segmentation Network [51.68708264694361]
  融合因子は、複雑な解剖学的変異や画像のモダリティ制限などの医療画像に影響を与える可能性がある。 医用画像セグメンテーションのためのバックドア・インターベンション最適化ネットワークを提案する。 本手法は, 混乱要因の影響を著しく低減し, セグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2025-05-28T01:40:10Z)
• MedUHIP: Towards Human-In-the-Loop Medical Segmentation [5.520419627866446]
  医用画像のセグメンテーションは、固有の不確実性によって特に複雑である。 我々はtextbfuncertainty-aware モデルと textbf Human-in-the-loop 相互作用を統合する新しいアプローチを提案する。 提案手法は,決定論的および不確実性を考慮したモデルよりも優れたセグメンテーション能力を示す。
  論文  参考訳（メタデータ） (2024-08-03T01:06:02Z)
• Advancing Medical Image Segmentation: Morphology-Driven Learning with Diffusion Transformer [4.672688418357066]
  本稿では,雑音の存在下での頑健なセグメンテーションのためのトランスフォーマー拡散(DTS)モデルを提案する。 画像の形態的表現を解析する本モデルでは, 種々の医用画像モダリティにおいて, 従来のモデルよりも良好な結果が得られた。
  論文  参考訳（メタデータ） (2024-08-01T07:35:54Z)
• MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
  本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。 3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
  論文  参考訳（メタデータ） (2024-03-29T15:59:11Z)
• 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)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• 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)
• Multiple Sclerosis Lesions Identification/Segmentation in Magnetic Resonance Imaging using Ensemble CNN and Uncertainty Classification [7.260554897161948]
  3つの重要な概念に基づくMS病変の同定・分類のための自動フレームワークを提案する。 提案されたフレームワークは、2016年のMSSEGベンチマーク公開データセットでトレーニング、検証、テストされている。 結果も不確実性を示すが、他のレーダとの比較は不可能である。
  論文  参考訳（メタデータ） (2021-08-26T13:48:06Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。