論文の概要: Controlling False Positives in Image Segmentation via Conformal Prediction

• arxiv url: http://arxiv.org/abs/2511.15406v1
• Date: Wed, 19 Nov 2025 13:02:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.807466
• Title: Controlling False Positives in Image Segmentation via Conformal Prediction
• Title（参考訳）: 等角予測による画像分割における偽陽性の制御
• Authors: Luca Mossina, Corentin Friedrich,
• Abstract要約: 本稿では,疑似肯定予測の分布自由な画像レベル制御による信頼マスク構築のための簡易なフレームワークを提案する。 本フレームワークは,オーバーセグメンテーションが臨床効果をもたらすような環境で,実用的なリスク対応セグメンテーションを可能にする。
• 参考スコア（独自算出の注目度）: 2.339515934428971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable semantic segmentation is essential for clinical decision making, yet deep models rarely provide explicit statistical guarantees on their errors. We introduce a simple post-hoc framework that constructs confidence masks with distribution-free, image-level control of false-positive predictions. Given any pretrained segmentation model, we define a nested family of shrunken masks obtained either by increasing the score threshold or by applying morphological erosion. A labeled calibration set is used to select a single shrink parameter via conformal prediction, ensuring that, for new images that are exchangeable with the calibration data, the proportion of false positives retained in the confidence mask stays below a user-specified tolerance with high probability. The method is model-agnostic, requires no retraining, and provides finite-sample guarantees regardless of the underlying predictor. Experiments on a polyp-segmentation benchmark demonstrate target-level empirical validity. Our framework enables practical, risk-aware segmentation in settings where over-segmentation can have clinical consequences. Code at https://github.com/deel-ai-papers/conseco.
• Abstract（参考訳）: 信頼性のあるセマンティックセグメンテーションは臨床的な意思決定に不可欠であるが、深層モデルがそのエラーに対して明確な統計的保証を提供することは稀である。 疑似肯定予測の分布自由・画像レベル制御による信頼マスク構築のための簡易なポストホック・フレームワークを提案する。 事前訓練されたセグメンテーションモデルにより、スコア閾値を上昇させたり、形態的侵食を行ったりすることで得られるシュランケンマスクのネストされたファミリーを定義する。 ラベル付き校正セットを用いて、共形予測により単一の縮小パラメータを選択し、校正データと交換可能な新しい画像に対して、信頼マスクに保持される偽陽性の割合が、高い確率でユーザ指定の許容値以下であることを保証する。 この方法はモデルに依存しず、再訓練を必要とせず、基礎となる予測子に関係なく有限サンプル保証を提供する。 ポリプセグメンテーションベンチマークの実験は、ターゲットレベルの経験的妥当性を示す。 本フレームワークは,オーバーセグメンテーションが臨床効果をもたらすような環境で,実用的なリスク対応セグメンテーションを可能にする。 コードネームはhttps://github.com/deel-ai-papers/conseco。

関連論文リスト

• Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
  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。
  論文  参考訳（メタデータ） (2025-10-19T08:21:00Z)
• FIVA: Federated Inverse Variance Averaging for Universal CT Segmentation with Uncertainty Estimation [4.544160712377809]
  本研究は,多様な腹部CTデータセットにまたがる普遍的なセグメンテーションを実現するための,新しいフェデレーション学習手法を提案する。 提案手法はモデル重みから不確かさを伝搬することにより予測の不確かさを定量化する。 実験により, フェデレーションアグリゲーションと不確実性重み付け推論の品質向上に本手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-08-08T11:34:01Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Conformal Prediction for Image Segmentation Using Morphological Prediction Sets [0.7673339435080445]
  本稿では,二項分割に着目し,共形予測を用いてこれらの課題に対処する。 我々のアプローチは、トレーニング中に使われていないキャリブレーションデータに基づいて、予測残差の型である非整合性スコアを計算することである。 医療画像の応用について検討する。
  論文  参考訳（メタデータ） (2025-03-07T17:42:30Z)
• Conformal confidence sets for biomedical image segmentation [0.0]
  ブラックボックス機械学習モデルの出力に対して空間的不確実性を保証する信頼セットを開発する。 これらの信頼セットがモデルの新しい予測に適用されると、真の未知のセグメント化マスクを所望の確率で含むことが保証される。
  論文  参考訳（メタデータ） (2024-10-04T13:12:25Z)
• Domain-adaptive and Subgroup-specific Cascaded Temperature Regression for Out-of-distribution Calibration [16.930766717110053]
  本稿では, メタセットをベースとした新しい温度回帰法を提案し, ポストホックキャリブレーション法を提案する。 予測されたカテゴリと信頼度に基づいて,各メタセットをサブグループに分割し,多様な不確実性を捉える。 回帰ネットワークは、カテゴリ特化および信頼レベル特化スケーリングを導出し、メタセット間のキャリブレーションを達成するように訓練される。
  論文  参考訳（メタデータ） (2024-02-14T14:35:57Z)
• Towards Better Certified Segmentation via Diffusion Models [62.21617614504225]
  セグメンテーションモデルは敵の摂動に弱いため、医療や自動運転といった重要な意思決定システムでの使用を妨げます。 近年,理論的保証を得るためにガウス雑音を入力に加えることにより,セグメント化予測のランダム化が提案されている。 本稿では,ランダムな平滑化と拡散モデルを組み合わせたセグメンテーション予測の問題に対処する。
  論文  参考訳（メタデータ） (2023-06-16T16:30:39Z)
• 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)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• Uncertainty Sets for Image Classifiers using Conformal Prediction [112.54626392838163]
  本稿では,任意の分類器を修飾して真のラベルを含む予測集合を,90%などのユーザ指定確率で出力するアルゴリズムを提案する。 このアルゴリズムはPlatetスケーリングのようにシンプルで高速だが、すべてのモデルとデータセットに対して正式な有限サンプルカバレッジを保証する。 提案手法は,Plattスケーリング後の可逆クラスの小さなスコアを正規化することにより,より安定した予測セットを与えるために,既存の共形予測アルゴリズムを改良する。
  論文  参考訳（メタデータ） (2020-09-29T17:58:04Z)

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。