論文の概要: Tumor-anchored deep feature random forests for out-of-distribution detection in lung cancer segmentation

• arxiv url: http://arxiv.org/abs/2512.08216v1
• Date: Tue, 09 Dec 2025 03:49:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.798041
• Title: Tumor-anchored deep feature random forests for out-of-distribution detection in lung cancer segmentation
• Title（参考訳）: 肺癌セグメンテーションにおけるアウト・オブ・ディストリビューション検出のための腫瘍培養深部無作為林
• Authors: Aneesh Rangnekar, Harini Veeraraghavan,
• Abstract要約: 我々は,CTボリュームから腫瘍分節の信頼性を高めるために,軽量でアーキテクチャに依存しないアプローチを導入する。 RF-Deepはプラグイン・アンド・プレイのランダム・フォレストに基づくOOD検出フレームワークで、外周露出が制限されたディープ機能を利用する。 AUROC > 93.50) は、挑戦的な近OODデータセットと遠OODデータセットのほぼ完全な検出(AUROC > 99.00)に対して達成され、ロジットベースのアプローチとラジオミクスアプローチを大幅に上回った。
• 参考スコア（独自算出の注目度）: 2.6825994665041235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of cancerous lesions from 3D computed tomography (CT) scans is essential for automated treatment planning and response assessment. However, even state-of-the-art models combining self-supervised learning (SSL) pretrained transformers with convolutional decoders are susceptible to out-of-distribution (OOD) inputs, generating confidently incorrect tumor segmentations, posing risks for safe clinical deployment. Existing logit-based methods suffer from task-specific model biases, while architectural enhancements to explicitly detect OOD increase parameters and computational costs. Hence, we introduce a plug-and-play and lightweight post-hoc random forests-based OOD detection framework called RF-Deep that leverages deep features with limited outlier exposure. RF-Deep enhances generalization to imaging variations by repurposing the hierarchical features from the pretrained-then-finetuned backbone encoder, providing task-relevant OOD detection by extracting the features from multiple regions of interest anchored to the predicted tumor segmentations. Hence, it scales to images of varying fields-of-view. We compared RF-Deep against existing OOD detection methods using 1,916 CT scans across near-OOD (pulmonary embolism, negative COVID-19) and far-OOD (kidney cancer, healthy pancreas) datasets. RF-Deep achieved AUROC > 93.50 for the challenging near-OOD datasets and near-perfect detection (AUROC > 99.00) for the far-OOD datasets, substantially outperforming logit-based and radiomics approaches. RF-Deep maintained similar performance consistency across networks of different depths and pretraining strategies, demonstrating its effectiveness as a lightweight, architecture-agnostic approach to enhance the reliability of tumor segmentation from CT volumes.
• Abstract（参考訳）: 3次元CTスキャンによる癌病変の正確な分節化は,自動治療計画と対応評価に不可欠である。 しかし、自己教師付き学習(SSL)プリトレーニングされたトランスフォーマーと畳み込みデコーダを組み合わせた最先端モデルでさえ、アウト・オブ・ディストリビューション(OOD)入力の影響を受けやすく、確実な不正確な腫瘍セグメンテーションを発生させ、安全な臨床展開のリスクを生じさせる。 既存のロジットベースの手法はタスク固有のモデルバイアスに悩まされ、OODを明示的に検出するアーキテクチャ拡張はパラメータと計算コストを増大させる。 そこで我々はRFディープ(RF-Deep)と呼ばれるプラグイン・アンド・プレイ・ライトウェイト・ポストホック・ランダム・フォレストに基づくOOD検出フレームワークを導入する。 RFディープは、トレーニング済みのthen-finetuned backbone encoderから階層的特徴を再取得し、予測された腫瘍セグメンテーションに固定された複数の関心領域から特徴を抽出してタスク関連OOD検出を提供することにより、画像のバリエーションへの一般化を強化する。 したがって、様々な視野のイメージにスケールする。 RFディープを1,916個のCTスキャン(肺塞栓症,陰性COVID-19)およびFar-OOD(腎癌,健康膵臓)データセットを用いて既存のOOD検出法と比較した。 RF-Deepは、AUROC > 93.50を、挑戦的な近OODデータセットと遠OODデータセットのほぼ完全な検出(AUROC > 99.00)で達成し、ロジットベースとラジオミクスのアプローチを大幅に上回った。 RF-Deepは、異なる深度と事前訓練戦略のネットワーク間で同様の性能の一貫性を維持し、CTボリュームからの腫瘍分節の信頼性を高めるための軽量でアーキテクチャに依存しないアプローチとしての有効性を示した。

関連論文リスト

• Analysis of Incursive Breast Cancer in Mammograms Using YOLO, Explainability, and Domain Adaptation [0.0]
  乳房画像からの乳がん検出のための深層学習モデルは、アウト・オブ・ディストリビューション・インプット(Out-of-Distribution input)を用いた場合、重大な信頼性上の問題がある。 本稿では,ResNet50をベースとしたOODフィルタとYOLOアーキテクチャを統合し,乳がんの正確な検出を行う包括的アプローチを開発する。 当社の戦略は,処理前の非マンモグラフィ入力を厳格に拒否するために,コサイン類似によるドメイン内ギャラリーを確立することで,ドメイン関連画像のみが検出パイプラインを供給できることを保証する。
  論文  参考訳（メタデータ） (2025-11-28T08:48:05Z)
• Enhancing ECG Classification Robustness with Lightweight Unsupervised Anomaly Detection Filters [39.9470953186283]
  ウェアラブルを用いた連続心電図(ECG)モニタリングは、早期心血管疾患(CVD)検出に有意な可能性を秘めている。 リソース制約のある環境での自動分析のためのディープラーニングモデルをデプロイすることは、アウト・オブ・ディストリビューション(Out-of-Distribution)データによる信頼性上の課題に直面します。 本稿では,非教師付き異常検出(UAD)を,ロバスト性向上のための独立な上流フィルタリング機構として検討する。
  論文  参考訳（メタデータ） (2025-10-30T13:54:37Z)
• Random forest-based out-of-distribution detection for robust lung cancer segmentation [2.6825994665041235]
  自己教師付き事前トレーニングを備えたトランスフォーマーベースのモデルでは、In-distriion (ID)データから確実に正確なセグメンテーションを生成することができるが、out-of-distriion (OOD)データセットに適用すると劣化する。 この課題に対処するRF-Deepは、セグメンテーションモデルの事前訓練されたトランスフォーマーエンコーダの深い特徴を利用して、OODスキャンを検出し、セグメンテーション信頼性を向上させるランダム森林分類器である。
  論文  参考訳（メタデータ） (2025-08-26T15:14:29Z)
• BOOD: Boundary-based Out-Of-Distribution Data Generation [47.47757472521503]
  本稿では,境界に基づくOut-Of-Distribution Data Generation(BOOD)という新しいフレームワークを提案する。 BOODは高品質なOOD特徴を合成し、拡散モデルを用いて人間互換の外部画像を生成する。
  論文  参考訳（メタデータ） (2025-08-01T06:34:27Z)
• Enhancing Reconstruction-Based Out-of-Distribution Detection in Brain MRI with Model and Metric Ensembles [2.6123133623254193]
  アウト・オブ・ディストリビューション(OOD)検出は、自動化された医用画像分析システムを安全に展開するために重要である。 脳MRIにおける人工臓器の教師なし検出における再構成に基づくオートエンコーダの有効性について検討した。
  論文  参考訳（メタデータ） (2024-12-23T13:58:52Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Distance-based detection of out-of-distribution silent failures for Covid-19 lung lesion segmentation [0.8200989595956418]
  ディープラーニングモデルは、アウト・オブ・ディストリビューションデータにサイレントに失敗するため、臨床ルーチンに信頼されていない。 特徴空間におけるマハラノビス距離を利用する軽量なOOD検出法を提案する。 胸部CT像の分布変化とMRIの2つの応用について検討した。
  論文  参考訳（メタデータ） (2022-08-05T15:05:23Z)
• Know Your Space: Inlier and Outlier Construction for Calibrating Medical OOD Detectors [39.8194799829348]
  我々は、よく校正されたアウト・オブ・ディストリビューション検出器(OOD)の開発に焦点をあてる。 適切なキャリブレーションデータセットのキュレーションが困難であるために、合成オーグメンテーションは不整合/不整合仕様において非常に普及している。 最適プロトコルは,様々な画素空間外値とともに潜在空間不整形を合成することである。
  論文  参考訳（メタデータ） (2022-07-12T03:42:05Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)
• A Novel and Efficient Tumor Detection Framework for Pancreatic Cancer via CT Images [21.627818410241552]
  本稿では,新しい膵腫瘍検出フレームワークを提案する。 提案手法のコントリビューションは,Augmented Feature Pyramid Network,Self-Adaptive Feature Fusion,Dependencies Computation Moduleの3つのコンポーネントから構成される。 実験により,AUCの0.9455による検出において,他の最先端手法よりも優れた性能が得られた。
  論文  参考訳（メタデータ） (2020-02-11T15:48:22Z)

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。