論文の概要: Med-SegLens: Latent-Level Model Diffing for Interpretable Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2602.10508v1
• Date: Wed, 11 Feb 2026 04:15:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.459904
• Title: Med-SegLens: Latent-Level Model Diffing for Interpretable Medical Image Segmentation
• Title（参考訳）: Med-SegLens:解釈可能な医用画像分割のための潜在レベルモデルディッフィング
• Authors: Salma J. Ahmed, Emad A. Mohammed, Azam Asilian Bidgoli,
• Abstract要約: セグメンテーションモデルのアクティベーションを解釈可能な潜在機能に分解するモデル微分フレームワークであるMed-SegLensを紹介する。 遅延レベルの介入は誤りを訂正し、再トレーニングなしにデータセット間の適応を改善することができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern segmentation models achieve strong predictive performance but remain largely opaque, limiting our ability to diagnose failures, understand dataset shift, or intervene in a principled manner. We introduce Med-SegLens, a model-diffing framework that decomposes segmentation model activations into interpretable latent features using sparse autoencoders trained on SegFormer and U-Net. Through cross-architecture and cross-dataset latent alignment across healthy, adult, pediatric, and sub-Saharan African glioma cohorts, we identify a stable backbone of shared representations, while dataset shift is driven by differential reliance on population-specific latents. We show that these latents act as causal bottlenecks for segmentation failures, and that targeted latent-level interventions can correct errors and improve cross-dataset adaption without retraining, recovering performance in 70% of failure cases and improving Dice score from 39.4% to 74.2%. Our results demonstrate that latent-level model diffing provides a practical and mechanistic tool for diagnosing failures and mitigating dataset shift in segmentation models.
• Abstract（参考訳）: 現代のセグメンテーションモデルは、強い予測性能を達成するが、ほとんど不透明であり、障害の診断、データセットのシフトの理解、原則的な方法で介入する能力を制限する。 セグメンテーションモデルのアクティベーションをSegFormerとU-Netでトレーニングされたスパースオートエンコーダを用いて解釈可能な潜在機能に分解するモデル微分フレームワークであるMed-SegLensを紹介する。 健常、成人、小児、およびサブサハラアフリカのグリオーマコホートにまたがるクロスアーキテクチャとクロスデータセットの潜伏アライメントを通じて、共有表現の安定なバックボーンを特定し、データセットのシフトは集団固有の潜伏者による差分依存によって引き起こされる。 これらの潜伏者はセグメンテーション障害の因果的ボトルネックとして機能し、標的となる潜伏レベルの介入は、再トレーニングなしにエラーを訂正し、データセット間の適応を改善し、障害事例の70%でパフォーマンスを回復し、Diceスコアを39.4%から74.2%に改善できることを示した。 この結果から,潜在レベルモデル差分法は,故障の診断とセグメンテーションモデルのデータセットシフトの緩和に実用的で機械的なツールを提供することが示された。

関連論文リスト

• Automated Lesion Segmentation of Stroke MRI Using nnU-Net: A Comprehensive External Validation Across Acute and Chronic Lesions [0.0]
  複数のMRIデータセットにまたがるnU-Netフレームワークを用いて脳卒中病変のセグメンテーションを評価する。 脳卒中期にはモデルが頑健な一般化を示し, セグメンテーション精度はレータ間信頼性に近づいた。 急性期において、DWIで訓練されたモデルはFLAIRベースのモデルより一貫して優れており、マルチモーダルの組み合わせからわずかに利益を得ただけだった。 慢性期脳卒中では、トレーニングセットのサイズが増加し、数百件以上のリターンが低下した。
  論文  参考訳（メタデータ） (2026-01-13T16:29:20Z)
• Differential-UMamba: Rethinking Tumor Segmentation Under Limited Data Scenarios [3.1231963031043786]
  Diff-UMambaは、UNetフレームワークとmambaメカニズムを組み合わせて長距離依存関係をモデル化する新しいアーキテクチャである。 Diff-UMambaの中心部にはノイズ低減モジュールがあり、ノイズや無関係なアクティベーションを抑制するための信号差分戦略を採用している。 このアーキテクチャは、特に低データ設定において、セグメンテーションの精度と堅牢性を改善する。
  論文  参考訳（メタデータ） (2025-07-24T08:23:11Z)
• Uncertainty-Error correlations in Evidential Deep Learning models for biomedical segmentation [0.0]
  Evidential Deep Learningはバイオメディカルイメージセグメンテーションの文脈で応用される。 U-Netバックボーンを用いた証拠深層学習モデルでは,予測誤差と不確かさの相関が良好であることが判明した。 EDLモデルのこれらの優れた特徴は、大きなモデルエラーを検出する上で重要な感度を保証するセグメンテーションタスクに適している。
  論文  参考訳（メタデータ） (2024-10-24T06:16:04Z)
• Optimizing against Infeasible Inclusions from Data for Semantic Segmentation through Morphology [58.17907376475596]
  最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。 InSeInは、手元に設定されたセグメンテーショントレーニングから空間クラス関係を規定する明示的な包含制約を抽出する。 そして、予測可能性を促進するために、トレーニング中にこれらの制約の違反を罰する形態的だが差別的な損失を強制する。
  論文  参考訳（メタデータ） (2024-08-26T22:39:08Z)
• PULASki: Learning inter-rater variability using statistical distances to improve probabilistic segmentation [35.34932609930401]
  本研究は,バイオメディカルイメージセグメンテーションのための計算効率の良い生成ツールとしてのPULASki法を提案する。 専門家のアノテーションでは、小さなデータセットであっても、変数をキャプチャする。 また,3次元パッチと従来の2次元スライスを用いた複雑なジオメトリーの計算可能セグメンテーションについて比較検討した。
  論文  参考訳（メタデータ） (2023-12-25T10:31:22Z)
• Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
  マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。 我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
  論文  参考訳（メタデータ） (2023-08-10T08:43:20Z)
• 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)

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。