論文の概要: Leveraging Causal Reasoning Method for Explaining Medical Image Segmentation Models

• arxiv url: http://arxiv.org/abs/2602.20511v1
• Date: Tue, 24 Feb 2026 03:26:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.591615
• Title: Leveraging Causal Reasoning Method for Explaining Medical Image Segmentation Models
• Title（参考訳）: 医用画像分割モデルの説明のための因果推論手法の活用
• Authors: Limai Jiang, Ruitao Xie, Bokai Yang, Huazhen Huang, Juan He, Yufu Huo, Zikai Wang, Yang Wei, Yunpeng Cai,
• Abstract要約: 医用画像のセグメンテーションは臨床的な意思決定において重要な役割を担い、病変の正確な局所化と指導的介入を可能にする。 現在の説明手法は主に分類作業に重点を置いており、セグメンテーション領域は比較的過小評価されている。 本稿では、因果推論フレームワークを用いて、平均処理効果(ATE)を指標として、入力領域やネットワークコンポーネントが対象セグメンテーション領域に与える影響を推定するセグメンテーションタスクの説明モデルを提案する。
• 参考スコア（独自算出の注目度）: 15.976622378615714
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation plays a vital role in clinical decision-making, enabling precise localization of lesions and guiding interventions. Despite significant advances in segmentation accuracy, the black-box nature of most deep models has raised growing concerns about their trustworthiness in high-stakes medical scenarios. Current explanation techniques have primarily focused on classification tasks, leaving the segmentation domain relatively underexplored. We introduced an explanation model for segmentation task which employs the causal inference framework and backpropagates the average treatment effect (ATE) into a quantification metric to determine the influence of input regions, as well as network components, on target segmentation areas. Through comparison with recent segmentation explainability techniques on two representative medical imaging datasets, we demonstrated that our approach provides more faithful explanations than existing approaches. Furthermore, we carried out a systematic causal analysis of multiple foundational segmentation models using our method, which reveals significant heterogeneity in perceptual strategies across different models, and even between different inputs for the same model. Suggesting the potential of our method to provide notable insights for optimizing segmentation models. Our code can be found at https://github.com/lcmmai/PdCR.
• Abstract（参考訳）: 医用画像のセグメンテーションは臨床的な意思決定において重要な役割を担い、病変の正確な局所化と指導的介入を可能にする。 セグメンテーションの精度が著しく向上したにもかかわらず、多くの深層モデルのブラックボックスの性質は、高い医療シナリオにおける信頼性に対する懸念を高めている。 現在の説明手法は主に分類作業に重点を置いており、セグメンテーション領域は比較的過小評価されている。 我々は、因果推論フレームワークを用いて、平均処理効果(ATE)を定量化指標に逆伝搬させ、ターゲットセグメンテーション領域における入力領域とネットワーク成分の影響を判定するセグメンテーションタスクの説明モデルを導入した。 最近の2つの代表的な医用画像データセットのセグメンテーション説明可能性技術との比較により,本手法が既存手法よりも忠実に説明できることを示した。 さらに,本手法を用いて,複数の基本セグメンテーションモデルの系統的因果解析を行い,異なるモデル間の知覚的戦略や,同じモデルに対する異なる入力の間でも有意な異質性を明らかにする。 セグメンテーションモデルを最適化するための重要な洞察を提供するため,本手法の可能性を提案する。 私たちのコードはhttps://github.com/lcmmai/PdCRで参照できます。

関連論文リスト

• Partial Decoder Attention Network with Contour-weighted Loss Function for Data-Imbalance Medical Image Segmentation [24.53378031153159]
  医療画像は、臓器や組織間の大きな体積差や、異なる解剖学的構造にまたがる不均一なサンプル分布など、データ不均衡の問題に悩まされることが多い。 この不均衡は、モデルをより大きな臓器やより頻繁に表現される構造に偏らせる傾向にあり、より小さいまたは少ない表現された構造を見渡す傾向がある。 モデルが小さく, 表現不足な構造を表現する能力を向上させる新しい輪郭重み付きセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2026-01-20T13:21:12Z)
• 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)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• DiffSeg: A Segmentation Model for Skin Lesions Based on Diffusion Difference [2.9082809324784082]
  拡散差に基づく皮膚病変のセグメンテーションモデルDiffSegを紹介する。 マルチアウトプット能力は医師のアノテーションの振る舞いを模倣し、セグメンテーション結果の一貫性とあいまいさの可視化を容易にする。 我々は,ISIC 2018 ChallengeデータセットにおけるDiffSegの有効性を示す。
  論文  参考訳（メタデータ） (2024-04-25T09:57:52Z)
• CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement [8.590026259176806]
  腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。 最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。 本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T13:45:24Z)
• 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)
• Multi-Modal Evaluation Approach for Medical Image Segmentation [4.989480853499916]
  本稿では,異なるセグメンテーション手法の有効性を評価するために,新しいマルチモーダル評価(MME)手法を提案する。 本稿では, 検出特性, 境界アライメント, 均一性, 総体積, 相対体積など, 関連性, 解釈可能な新しい特徴を紹介する。 提案するアプローチはオープンソースで,使用することができる。
  論文  参考訳（メタデータ） (2023-02-08T15:31:33Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)

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。