論文の概要: Causal Attribution of Model Performance Gaps in Medical Imaging Under Distribution Shifts

• arxiv url: http://arxiv.org/abs/2512.09094v1
• Date: Tue, 09 Dec 2025 20:13:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.309017
• Title: Causal Attribution of Model Performance Gaps in Medical Imaging Under Distribution Shifts
• Title（参考訳）: 分布変化下における医用画像におけるモデル性能ギャップの因果性
• Authors: Pedro M. Gordaliza, Nataliia Molchanova, Jaume Banus, Thomas Sanchez, Meritxell Bach Cuadra,
• Abstract要約: 我々は因果属性フレームワークを高次元セグメンテーションタスクに拡張する。 我々のフレームワークは,高次元出力,限られたサンプル,複雑なメカニズム相互作用といった医療画像の課題に対処する。
• 参考スコア（独自算出の注目度）: 0.7636725383678784
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models for medical image segmentation suffer significant performance drops due to distribution shifts, but the causal mechanisms behind these drops remain poorly understood. We extend causal attribution frameworks to high-dimensional segmentation tasks, quantifying how acquisition protocols and annotation variability independently contribute to performance degradation. We model the data-generating process through a causal graph and employ Shapley values to fairly attribute performance changes to individual mechanisms. Our framework addresses unique challenges in medical imaging: high-dimensional outputs, limited samples, and complex mechanism interactions. Validation on multiple sclerosis (MS) lesion segmentation across 4 centers and 7 annotators reveals context-dependent failure modes: annotation protocol shifts dominate when crossing annotators (7.4% $\pm$ 8.9% DSC attribution), while acquisition shifts dominate when crossing imaging centers (6.5% $\pm$ 9.1%). This mechanism-specific quantification enables practitioners to prioritize targeted interventions based on deployment context.
• Abstract（参考訳）: 医用画像セグメンテーションの深層学習モデルでは, 分布変化による性能低下が著しいが, その背景にある因果的メカニズムはよく分かっていない。 因果属性フレームワークを高次元セグメンテーションタスクに拡張し、取得プロトコルとアノテーションの可変性が独立して性能劣化にどのように寄与するかを定量化する。 我々は、因果グラフを通してデータ生成プロセスをモデル化し、Shapley値を用いて個々のメカニズムの性能変化を正確に評価する。 我々のフレームワークは、高次元出力、限られたサンプル、複雑なメカニズム相互作用といった、医用画像におけるユニークな課題に対処する。 4つのセンターと7つのアノテータにまたがる多発性硬化症(MS)病変のセグメンテーションの検証では、コンテキスト依存の障害モードが明らかにされている: アノテーションプロトコルのシフトは、アノテータを渡るときに支配的(7.4% $\pm$ 8.9% DSC属性)、画像センターを渡るときに獲得のシフトが支配的(6.5% $\pm$ 9.1%)。 このメカニズム固有の定量化により、実践者はデプロイメントコンテキストに基づいてターゲットの介入を優先順位付けできる。

関連論文リスト

• Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
  Subset-Selected Counterfactual Augmentation (SS-CA) 我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。 実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-15T08:39:22Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• 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)
• Multi-encoder nnU-Net outperforms transformer models with self-supervised pretraining [0.0]
  本研究は, 医用画像の解剖学的構造と病理的領域の自動同定と記述を含む, 医用画像セグメンテーションの課題に対処するものである。 本稿では,複数のMRIモダリティを別個のエンコーダで独立に処理するために設計された,自己教師型学習用マルチエンコーダnnU-Netアーキテクチャを提案する。 我々のマルチエンコーダnnU-Netは、Vanilla nnU-Net、SegResNet、Swin UNETRといった他のモデルを上回る93.72%のDice similarity Coefficient(DSC)を達成し、例外的な性能を示す。
  論文  参考訳（メタデータ） (2025-04-04T14:31:06Z)
• J-CaPA : Joint Channel and Pyramid Attention Improves Medical Image Segmentation [2.503388496100123]
  本稿では,Channel Attention と Pyramid Attention を併用したマルチスケール特徴抽出手法を提案する。 提案モデルでは, 複雑な解剖学的構造に対するセグメンテーション精度が向上し, 既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-11-25T16:52:21Z)
• Distribution-Aware Replay for Continual MRI Segmentation [6.3591338382188916]
  本稿では,機能の自動エンコーディングによる忘れを緩和する分散対応リプレイ戦略を提案する。 海馬と前立腺MRIのセグメンテーションにおける経験的コロンボレーションについて検討した。
  論文  参考訳（メタデータ） (2024-07-30T21:59:02Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Robust semi-supervised segmentation with timestep ensembling diffusion models [15.816699232409036]
  本研究は拡散モデルを用いた半教師付き画像分割に焦点を当てる。 より小さな拡散ステップは、より大きなステップよりも下流のタスクに対して堅牢な潜在表現を生成することを実証する。 ドメイン内での競合性能を維持しながら、ドメインシフトした設定におけるパフォーマンスを著しく向上させる。
  論文  参考訳（メタデータ） (2023-11-13T15:57:17Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• 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)

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。