論文の概要: Anatomically-aware conformal prediction for medical image segmentation with random walks

• arxiv url: http://arxiv.org/abs/2601.18997v1
• Date: Mon, 26 Jan 2026 22:16:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.083095
• Title: Anatomically-aware conformal prediction for medical image segmentation with random walks
• Title（参考訳）: ランダムウォークを用いた医用画像分割のための解剖学的コンフォメーション予測
• Authors: Mélanie Gaillochet, Christian Desrosiers, Hervé Lombaert,
• Abstract要約: コンフォーマル予測(CP)は統計的に有効な予測区間を構築するための強力な分布自由フレームワークである。 本稿では,任意のセグメンテーション法上に付加可能なモデルに依存しないフレームワークであるランダム-ウォーク整形予測(RW-CP)を提案する。
• 参考スコア（独自算出の注目度）: 8.829058131683764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The reliable deployment of deep learning in medical imaging requires uncertainty quantification that provides rigorous error guarantees while remaining anatomically meaningful. Conformal prediction (CP) is a powerful distribution-free framework for constructing statistically valid prediction intervals. However, standard applications in segmentation often ignore anatomical context, resulting in fragmented, spatially incoherent, and over-segmented prediction sets that limit clinical utility. To bridge this gap, this paper proposes Random-Walk Conformal Prediction (RW-CP), a model-agnostic framework which can be added on top of any segmentation method. RW-CP enforces spatial coherence to generate anatomically valid sets. Our method constructs a k-nearest neighbour graph from pre-trained vision foundation model features and applies a random walk to diffuse uncertainty. The random walk diffusion regularizes the non-conformity scores, making the prediction sets less sensitive to the conformal calibration parameter $λ$, ensuring more stable and continuous anatomical boundaries. RW-CP maintains rigorous marginal coverage while significantly improving segmentation quality. Evaluations on multi-modal public datasets show improvements of up to $35.4\%$ compared to standard CP baselines, given an allowable error rate of $α=0.1$.
• Abstract（参考訳）: 医用画像における深層学習の信頼性の高い展開は、解剖学的に意味のあるまま、厳密なエラー保証を提供する不確実な定量化を必要とする。 コンフォーマル予測(CP)は統計的に有効な予測区間を構築するための強力な分布自由フレームワークである。 しかし、セグメンテーションにおける標準的な応用は、しばしば解剖学的文脈を無視し、その結果、臨床的有用性を制限する断片化、空間的不整合、過剰なセグメンテーション予測セットが生じる。 このギャップを埋めるために,任意のセグメンテーション法上に付加可能なモデルに依存しないフレームワークであるランダム・ウォーク・コンフォーマル予測(RW-CP)を提案する。 RW-CPは空間コヒーレンスを強制し、解剖学的に有効な集合を生成する。 本手法は,事前学習した視覚基盤モデルの特徴からk-アネレスト近傍グラフを構築し,不確実性を拡散するためにランダムウォークを適用した。 ランダムウォーク拡散は非整合性のスコアを正則化し、予測セットは共形キャリブレーションパラメータの$λ$への感度を低くし、より安定で連続的な解剖学的境界を確保する。 RW-CPは、セグメンテーション品質を著しく改善しつつ、厳密な限界カバレッジを維持している。 マルチモーダルなパブリックデータセットの評価では、標準CPベースラインに比べて最大35.4 %$の改善が見られ、許容エラーレートはα=0.1$である。

関連論文リスト

• Controlling False Positives in Image Segmentation via Conformal Prediction [2.339515934428971]
  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。
  論文  参考訳（メタデータ） (2025-11-19T13:02:50Z)
• COMPASS: Robust Feature Conformal Prediction for Medical Segmentation Metrics [23.593891761167374]
  コンフォーマル予測(CP)は、原則付き不確実性保証を導出する一般的なフレームワークであるが、複雑なセグメンテーション-メトリックパイプラインをブラックボックスとして扱う。 本稿では,その基盤となるディープニューラルネットワークの帰納バイアスを利用して,画像分割モデルに対して,効率的で計量ベースのCP間隔を生成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-26T11:56:28Z)
• 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)
• Reliable uncertainty quantification for 2D/3D anatomical landmark localization using multi-output conformal prediction [2.7320409129940684]
  現在の不確実量化のアプローチは、特に正規性仮定と組み合わせると、しばしば短くなる。 多出力回帰問題に対する有限サンプル妥当性を保証する2つの新しいアプローチを提案する。 提案手法は, 有効性と有効性の両方において, 既存の多出力共形予測手法より一貫して優れている。
  論文  参考訳（メタデータ） (2025-03-18T10:21:32Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Uncertainty Quantification over Graph with Conformalized Graph Neural Networks [52.20904874696597]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データに基づく強力な機械学習予測モデルである。 GNNには厳密な不確実性見積が欠如しており、エラーのコストが重要な設定での信頼性の高いデプロイメントが制限されている。 本稿では,共形予測(CP)をグラフベースモデルに拡張した共形GNN(CF-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T21:38:23Z)
• 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)
• Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
  統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。 分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。 本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
  論文  参考訳（メタデータ） (2022-07-05T18:01:20Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。