論文の概要: CheXmask-U: Quantifying uncertainty in landmark-based anatomical segmentation for X-ray images

• arxiv url: http://arxiv.org/abs/2512.10715v1
• Date: Thu, 11 Dec 2025 14:50:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.428261
• Title: CheXmask-U: Quantifying uncertainty in landmark-based anatomical segmentation for X-ray images
• Title（参考訳）: CheXmask-U:X線画像におけるランドマークに基づく解剖学的セグメンテーションの不確かさの定量化
• Authors: Matias Cosarinsky, Nicolas Gaggion, Rodrigo Echeveste, Enzo Ferrante,
• Abstract要約: 胸部X線上の解剖学的ランドマークに基づくセグメンテーションの不確実性評価について検討した。 我々は, (i) 学習した分布パラメータから直接取得した潜時不確実性と, (ii) 潜時サンプルから複数の出力予測を生成することによって得られた予測不確実性という2つの相補的尺度を導出した。 これらの不確実性信号は,手動の接地構造と比較することにより信頼性の低い予測を識別し,CheXmaskデータセットの分布外検出をサポートすることを実証する。
• 参考スコア（独自算出の注目度）: 2.374361627146023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty estimation is essential for the safe clinical deployment of medical image segmentation systems, enabling the identification of unreliable predictions and supporting human oversight. While prior work has largely focused on pixel-level uncertainty, landmark-based segmentation offers inherent topological guarantees yet remains underexplored from an uncertainty perspective. In this work, we study uncertainty estimation for anatomical landmark-based segmentation on chest X-rays. Inspired by hybrid neural network architectures that combine standard image convolutional encoders with graph-based generative decoders, and leveraging their variational latent space, we derive two complementary measures: (i) latent uncertainty, captured directly from the learned distribution parameters, and (ii) predictive uncertainty, obtained by generating multiple stochastic output predictions from latent samples. Through controlled corruption experiments we show that both uncertainty measures increase with perturbation severity, reflecting both global and local degradation. We demonstrate that these uncertainty signals can identify unreliable predictions by comparing with manual ground-truth, and support out-of-distribution detection on the CheXmask dataset. More importantly, we release CheXmask-U (huggingface.co/datasets/mcosarinsky/CheXmask-U), a large scale dataset of 657,566 chest X-ray landmark segmentations with per-node uncertainty estimates, enabling researchers to account for spatial variations in segmentation quality when using these anatomical masks. Our findings establish uncertainty estimation as a promising direction to enhance robustness and safe deployment of landmark-based anatomical segmentation methods in chest X-ray. A fully working interactive demo of the method is available at huggingface.co/spaces/matiasky/CheXmask-U and the source code at github.com/mcosarinsky/CheXmask-U.
• Abstract（参考訳）: 医療画像分割システムの安全な臨床展開には不確実性推定が不可欠であり、信頼性の低い予測を識別し、人間の監視を支援することができる。 以前の研究は主にピクセルレベルの不確実性に焦点を当ててきたが、ランドマークベースのセグメンテーションは固有のトポロジカルな保証を提供するが、不確実性の観点からは未解明のままである。 本研究では,胸部X線上の解剖学的ランドマークに基づくセグメンテーションの不確実性評価について検討した。 標準画像畳み込みエンコーダとグラフベースの生成デコーダを組み合わせたハイブリッドニューラルネットワークアーキテクチャに着想を得て、その変動潜在空間を活用することにより、2つの補完的手段を導出する。 一 学習した分布パラメータから直接取得した遅滞不確実性及び (II)潜在サンプルから複数の確率的出力予測を生成することにより得られる予測の不確実性。 制御された汚職実験を通して、不確実性対策は摂動重大度とともに増加し、大域的・局所的な劣化を反映していることを示す。 これらの不確実性信号は,手動の接地構造と比較することにより信頼できない予測を識別し,CheXmaskデータセットの分布外検出をサポートすることを示す。 さらに重要なことに、我々はCheXmask-U (huggingface.co/datasets/mcosarinsky/CheXmask-U)をリリースした。これは657,566個の胸部X線ランドマークの大規模なデータセットで、ノード当たりの不確実性の推定値がある。 胸部X線におけるランドマークに基づく解剖学的セグメンテーション手法のロバスト性向上と安全な展開を期待できる方向として不確実性推定が確立された。 完全に動作するインタラクティブなデモはface.co/spaces/matiasky/CheXmask-Uで、ソースコードはgithub.com/mcosarinsky/CheXmask-Uで入手できる。

関連論文リスト

• Towards Trustworthy Breast Tumor Segmentation in Ultrasound using Monte Carlo Dropout and Deep Ensembles for Epistemic Uncertainty Estimation [0.01066386648660129]
  乳房超音波セグメンテーションにおけるResidual U-Netの応用について検討した。 BUSIデータセットにおけるデータ重複の同定と補正を行う。 モンテカルロ・ドロップアウト、ディープアンサンブル、およびそれらの組み合わせを用いて、疫学的不確実性を定量化する。
  論文  参考訳（メタデータ） (2025-08-25T08:06:07Z)
• Benchmarking Uncertainty and its Disentanglement in multi-label Chest X-Ray Classification [11.21639536740362]
  コンボリューション(ResNet)とトランスフォーマー(Vision Transformer)アーキテクチャにおける13の不確実性定量化手法を評価する。 Evidential Deep Learning, HetClass NNs, Deep Deterministic Uncertaintyをマルチラベル設定に拡張する。
  論文  参考訳（メタデータ） (2025-08-06T13:58:17Z)
• L-FUSION: Laplacian Fetal Ultrasound Segmentation & Uncertainty Estimation [6.626853161057203]
  L-fusionは、教師なし、規範的学習および大規模基礎モデルを通じて不確実な定量化を統合するフレームワークである。 即時診断フィードバックのための信頼性の高い異常定量化を実現する。 不確かさの解釈を改善し、手動の病気回避の必要性を取り除く。
  論文  参考訳（メタデータ） (2025-03-07T08:57:38Z)
• 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)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• SUPER-Net: Trustworthy Image Segmentation via Uncertainty Propagation in Encoder-Decoder Networks [0.17398560678845076]
  SUPER-Netは、不確実性伝播による信頼できる画像セグメンテーションのためのフレームワークである。 分割された画像と画素単位の不確実性マップの2つの出力を同時に生成する。 以上の結果から, SUPER-Netは最先端モデルよりもロバスト性と精度が優れていた。
  論文  参考訳（メタデータ） (2021-11-10T22:46:05Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Interpreting Uncertainty in Model Predictions For COVID-19 Diagnosis [0.0]
  新型コロナウイルス(COVID-19)は、一般的なラボスワブ検査に加えて、診断の迅速化に補助ツールを使用する必要性が高まっている。 従来の畳み込みネットワークは、不確実性の捕捉に欠ける予測に点推定を用いる。 ベイジアン畳み込みニューラルネットワークを用いて計算された予測の不確実性を考慮した,不確実性とそのコンポーネントの解釈可能性に対処する可視化フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-10-26T01:27:29Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。