論文の概要: An Empirical Study on MC Dropout--Based Uncertainty--Error Correlation in 2D Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2510.15541v1
• Date: Fri, 17 Oct 2025 11:19:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.589545
• Title: An Empirical Study on MC Dropout--Based Uncertainty--Error Correlation in 2D Brain Tumor Segmentation
• Title（参考訳）: 2次元脳腫瘍分節におけるMCドロップアウトに基づく不確かさ-誤差相関の実証的研究
• Authors: Saumya B,
• Abstract要約: 本研究は2次元脳腫瘍MRIにおけるMC Dropoutに基づく不確実性とセグメンテーション誤差の関係を実験的に検討した。 MC Dropoutの不確実性は境界誤差のローカライゼーションに限定的な手段を提供することを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate brain tumor segmentation from MRI is vital for diagnosis and treatment planning. Although Monte Carlo (MC) Dropout is widely used to estimate model uncertainty, its effectiveness in identifying segmentation errors -- especially near tumor boundaries -- remains unclear. This study empirically examines the relationship between MC Dropout--based uncertainty and segmentation error in 2D brain tumor MRI segmentation using a U-Net trained under four augmentation settings: none, horizontal flip, rotation, and scaling. Uncertainty was computed from 50 stochastic forward passes and correlated with pixel-wise errors using Pearson and Spearman coefficients. Results show weak global correlations ($r \approx 0.30$--$0.38$) and negligible boundary correlations ($|r| < 0.05$). Although differences across augmentations were statistically significant ($p < 0.001$), they lacked practical relevance. These findings suggest that MC Dropout uncertainty provides limited cues for boundary error localization, underscoring the need for alternative or hybrid uncertainty estimation methods in medical image segmentation.
• Abstract（参考訳）: MRIからの正確な脳腫瘍の分節は、診断と治療計画に不可欠である。 モンテカルロ(MC)ドロップアウトはモデルの不確実性を推定するために広く用いられているが、セグメンテーションエラー(特に腫瘍境界付近)を特定する効果は未だ不明である。 本研究は,2次元脳腫瘍MRIのセグメンテーションにおけるMC Dropoutに基づく不確実性とセグメンテーション誤差の関係を,非水平フリップ,回転,スケーリングの4つの拡張条件下で訓練したU-Netを用いて実験的に検討した。 確率的前方通過50点から不確かさを計算し,Pearson係数とSpearman係数を用いて画素単位の誤差と相関した。 結果は、弱いグローバル相関(r \approx 0.30$--0.38$)と無視可能な境界相関(|r| < 0.05$)を示す。 増補による差異は統計的に有意なものであった(p < 0.001$)が、実際的な関連性は欠如していた。 これらの結果から,MC Dropoutの不確実性は境界誤差の局所化に限界をもたらすことが示唆され,医用画像セグメンテーションにおける代替あるいはハイブリッド不確実性推定法の必要性が示唆された。

関連論文リスト

• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係を捕捉する効率的な3次元分割モデルを提案する。 空間充填曲線を利用して3D-to-1D特徴写像の空間的局所性を保ち、計算コストのかかる多軸特徴走査への依存を減らす。 提案モデルでは,高いセグメンテーション精度を維持しながら効率を15倍に向上させ,既存手法に対する堅牢性と計算上の優位性を強調した。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Uncertainty Quantified Deep Learning and Regression Analysis Framework for Image Segmentation of Skin Cancer Lesions [0.0]
  深層学習モデル(DLM)は、しばしば医療画像から正確な腫瘍の分類と分類を行う。 DLMは、Dice係数やパフォーマンスへの自信などのイメージセグメンテーションメカニズムに対するフィードバックを欠いているが、現実の臨床環境では目に見えない画像を処理する場合、課題に直面している。 本研究は2つのDLMについて報告する。1つはスクラッチから訓練し、もう1つは転写学習に基づいて、モンテカルロのドロップアウトまたはベイズ・バイ・バックプロップ不確かさを、一般に公開されているThe International Skin Imaging Collaboration-19 dermoscopy image databaseから推定する。
  論文  参考訳（メタデータ） (2024-12-28T04:06:44Z)
• Structural-Based Uncertainty in Deep Learning Across Anatomical Scales: Analysis in White Matter Lesion Segmentation [8.64414399041931]
  不確実性定量化(英: Uncertainty Quantification、UQ)は、ホワイトマター病変(WML)セグメンテーションの文脈における、自動ディープラーニング(DL)ツールの信頼性の指標である。 我々は, 構造的予測の相違から, 病変や患者スケールの不確かさを定量化する尺度を開発した。 444例の多心MRIデータから, 病変のモデル誤差をより効果的に把握し, 患者規模を計測できることが示唆された。
  論文  参考訳（メタデータ） (2023-11-15T13:04:57Z)
• 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)
• Novel structural-scale uncertainty measures and error retention curves: application to multiple sclerosis [9.295643448425182]
  磁気共鳴画像(MRI)における白質病変(WML)セグメンテーションの不確実性評価に焦点をあてる。 一方、ボクセルスケールのセグメンテーションエラーは、病変の誤行を引き起こすが、他方では、病変サイズの検出エラーは、間違った病変数を引き起こす。 本研究の目的は, セグメンテーションと病変検出に関する誤差をそれぞれ捉えるために, 異なるボクセルと病変スケールの不確実性対策の能力を比較することである。
  論文  参考訳（メタデータ） (2022-11-09T11:53:29Z)
• Deep Learning with Uncertainty Quantification for Predicting the Segmentation Dice Coefficient of Prostate Cancer Biopsy Images [0.7499722271664147]
  深層学習モデル(DLM)は病理組織像の分類と分類において最先端のパフォーマンスを達成することができる。 DLMの不確実性推定は、さらなるレビューを必要とする予測や画像を特定することによって信頼を高めることができる。 本研究は,無作為重量法とモンテカルロ下降法を用いて不確実性評価を訓練したDLMを用いて,顕微鏡的ヘマトキシリンおよびエオシン色素染色前立腺核生検組織像RGB画像から腫瘍を分離した。
  論文  参考訳（メタデータ） (2021-08-31T23:38:17Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。