論文の概要: Conformal Lesion Segmentation for 3D Medical Images

• arxiv url: http://arxiv.org/abs/2510.17897v1
• Date: Sun, 19 Oct 2025 08:21:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.327817
• Title: Conformal Lesion Segmentation for 3D Medical Images
• Title（参考訳）: 3次元医用画像のコンフォーマル病変分割
• Authors: Binyu Tan, Zhiyuan Wang, Jinhao Duan, Kaidi Xu, Heng Tao Shen, Xiaoshuang Shi, Fumin Shen,
• Abstract要約: 本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
• 参考スコア（独自算出の注目度）: 82.92159832699583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image segmentation serves as a critical component of precision medicine, enabling accurate localization and delineation of pathological regions, such as lesions. However, existing models empirically apply fixed thresholds (e.g., 0.5) to differentiate lesions from the background, offering no statistical guarantees on key metrics such as the false negative rate (FNR). This lack of principled risk control undermines their reliable deployment in high-stakes clinical applications, especially in challenging scenarios like 3D lesion segmentation (3D-LS). To address this issue, we propose a risk-constrained framework, termed Conformal Lesion Segmentation (CLS), that calibrates data-driven thresholds via conformalization to ensure the test-time FNR remains below a target tolerance $\varepsilon$ under desired risk levels. CLS begins by holding out a calibration set to analyze the threshold setting for each sample under the FNR tolerance, drawing on the idea of conformal prediction. We define an FNR-specific loss function and identify the critical threshold at which each calibration data point just satisfies the target tolerance. Given a user-specified risk level $\alpha$, we then determine the approximate $1-\alpha$ quantile of all the critical thresholds in the calibration set as the test-time confidence threshold. By conformalizing such critical thresholds, CLS generalizes the statistical regularities observed in the calibration set to new test data, providing rigorous FNR constraint while yielding more precise and reliable segmentations. We validate the statistical soundness and predictive performance of CLS on six 3D-LS datasets across five backbone models, and conclude with actionable insights for deploying risk-aware segmentation in clinical practice.
• Abstract（参考訳）: 医用画像のセグメンテーションは、精密医療の重要な要素であり、病変などの病理領域の正確な位置決めとデライン化を可能にしている。 しかし、既存のモデルは、背景から病変を区別するために固定しきい値(例えば0.5)を経験的に適用し、偽陰性率(FNR)のような重要な指標に統計的保証を与えない。 この原則的リスクコントロールの欠如は、特に3D病変のセグメンテーション(3D-LS)のような困難なシナリオにおいて、高リスクな臨床応用に信頼性を損なう。 この問題に対処するため,我々は,データ駆動しきい値を等角化により校正し,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークである Conformal Lesion Segmentation (CLS) を提案する。 CLSは、FNR耐性の下で各サンプルのしきい値設定を解析するためのキャリブレーションセットを保持し、共形予測のアイデアに基づいて作成することから始まる。 我々は、FNR固有の損失関数を定義し、各キャリブレーションデータポイントがターゲットの許容範囲を満たす臨界しきい値を特定する。 ユーザが指定したリスクレベル$\alpha$を仮定すると、キャリブレーションセットのすべての臨界しきい値の1-\alpha$ Quantileをテスト時間信頼しきい値として決定する。 このような臨界しきい値に適合させることにより、CLSはキャリブレーションセットで観測される統計正則性を新しいテストデータに一般化し、より正確で信頼性の高いセグメンテーションを得られるように厳密なFNR制約を与える。 5つのバックボーンモデルにまたがる6つの3D-LSデータセットにおけるCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。

関連論文リスト

• Stable Prediction of Adverse Events in Medical Time-Series Data [18.92202613147342]
  早期事象予測(EEP)システムは、臨床意思決定を支援するための患者の差し迫ったリスクを継続的に見積もる。 本稿では,マルチモーダル入力EHR,ECG波形,臨床テキストを用いたEEPベンチマークであるCAREBenchを紹介する。 本稿では,患者ごとの短期変動を定量化し,局所リプシッツ定数に基づいて急激な振動をペナリゼーションする安定性指標を提案する。
  論文  参考訳（メタデータ） (2025-10-16T04:16:54Z)
• Adaptive Federated Few-Shot Rare-Disease Diagnosis with Energy-Aware Secure Aggregation [0.0]
  本稿では,アダプティブフェデレーション(Adaptive Federated Few-Shot Rare-Disease)診断フレームワークを提案する。 数ショットのフェデレーション最適化とメタラーニングを統合して、限られた患者サンプルから一般化する。 試験では、ベースラインFLに比べて10%精度が向上した。
  論文  参考訳（メタデータ） (2025-10-01T14:52:07Z)
• Conditional Conformal Risk Adaptation [9.559062601251464]
  セグメンテーションタスクの条件付きリスク制御を大幅に改善する適応予測セットを作成するための新しいスコア関数を開発する。 画素単位での包含推定の信頼性を高めるための特殊確率校正フレームワークを提案する。 ポリープセグメンテーション実験により, 3つの手法が有意な限界リスク制御を提供し, より一貫した条件リスク制御を実現することを示した。
  論文  参考訳（メタデータ） (2025-04-10T10:01:06Z)
• Statistical Management of the False Discovery Rate in Medical Instance Segmentation Based on Conformal Risk Control [2.4578723416255754]
  インスタンスセグメンテーションは、病変、腫瘍、解剖学的構造の正確な局在化とデライン化を可能にすることで、医療画像解析において重要な役割を担っている。 Mask R-CNNやBlendMaskのようなディープラーニングモデルは目覚ましい進歩を遂げているが、リスクの高い医療シナリオにおけるそれらの応用は、信頼性の校正の問題によって制限されている。 本稿では,この課題に対処するために,共形予測理論に基づく堅牢な品質制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-06T13:31:19Z)
• 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)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)
• 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。