論文の概要: Efficient Conformal Volumetry for Template-Based Segmentation

• arxiv url: http://arxiv.org/abs/2603.00798v1
• Date: Sat, 28 Feb 2026 20:16:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.364897
• Title: Efficient Conformal Volumetry for Template-Based Segmentation
• Title（参考訳）: テンプレートベースセグメンテーションのための効率的なコンフォーマルボリュームトリ
• Authors: Matt Y. Cheung, Ashok Veeraraghavan, Guha Balakrishnan,
• Abstract要約: 本稿では,効率的なボリューム不確実性定量化を実現するフレームワークであるConVOLTを紹介する。 ConVOLTは、変形空間の特徴から学習されたボリュームスケーリング係数を校正する。 我々の研究は、医用画像パイプラインにおける効率的なUQのための登録プロセスを活用する方法である。
• 参考スコア（独自算出の注目度）: 23.593891761167374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Template-based segmentation, a widely used paradigm in medical imaging, propagates anatomical labels via deformable registration from a labeled atlas to a target image, and is often used to compute volumetric biomarkers for downstream decision-making. While conformal prediction (CP) provides finite-sample valid intervals for scalar metrics, existing segmentation-based uncertainty quantification (UQ) approaches either rely on learned model features, often unavailable in classic template-based pipelines, or treat the registration process as a black box, resulting in overly conservative intervals when applied directly in output space. We introduce ConVOLT, a CP framework that achieves efficient volumetric UQ by conditioning calibration on properties of the estimated deformation field from template-based segmentation. ConVOLT calibrates a learned volumetric scaling factor from deformation space features. We evaluate ConVOLT on template-based segmentation tasks involving global, regional, and label volumetry across multiple datasets and registration methods. ConVOLT achieves target coverage while producing substantially tighter intervals than output-space conformal baselines. Our work paves way to exploit the registration process for efficient UQ in medical imaging pipelines.
• Abstract（参考訳）: テンプレートベースのセグメンテーション(Template-based segmentation)は、医用画像において広く用いられるパラダイムであり、ラベル付きアトラスからターゲット画像への変形可能な登録を通じて解剖学的ラベルを伝播し、下流の意思決定のためにボリュームバイオマーカーを計算するためにしばしば用いられる。 共形予測(CP)はスカラーメトリクスに対して有限サンプルの有効間隔を提供するが、既存のセグメンテーションベースの不確実性定量化(UQ)アプローチは学習モデルの特徴に依存し、古典的なテンプレートベースのパイプラインではしばしば利用できない。 本稿では,テンプレートベースセグメンテーションから推定変形場の特性をキャリブレーションすることで,効率的なボリュームUQを実現するCPフレームワークであるConVOLTを紹介する。 ConVOLTは、変形空間の特徴から学習されたボリュームスケーリング係数を校正する。 テンプレートベースセグメンテーションタスクにおける ConVOLT の評価を行い,グローバル,地域,ラベルのボリュームを複数のデータセットや登録手法で比較した。 ConVOLTは出力空間のコンフォメーションベースラインよりもかなり厳密な間隔でターゲットカバレッジを実現する。 我々の研究は、医用画像パイプラインにおける効率的なUQのための登録プロセスを活用する方法である。

関連論文リスト

• SigVLP: Sigmoid Volume-Language Pre-Training for Self-Supervised CT-Volume Adaptive Representation Learning [13.428693608916419]
  我々は新しい視覚言語モデル、Sig Volumetricを導入する。 Sigボリュームでは、位置符号化法としてロータリー位置埋め込みを実装し、入力条件の正弦と正弦の重みをハエに生成する。 我々のモデルはミューオンを用いて訓練され、ゼロショット異常や臓器分類、セグメンテーション、検索タスクを含む様々な下流タスクに基づいて評価される。
  論文  参考訳（メタデータ） (2026-02-25T09:44:27Z)
• VQ-Seg: Vector-Quantized Token Perturbation for Semi-Supervised Medical Image Segmentation [19.35191098558586]
  本稿では,ベクトル量子化(VQ)を用いた特徴空間の離散化のための最初の手法であるVQ-Segを提案し,ドロップアウトを置き換える新しい量子摂動モジュール(QPM)を提案する。 我々のQPMは、コードブックインデックスの空間的位置をシャッフルすることで、離散表現を摂動させ、有効かつ制御可能な正規化を可能にします。 中心型肺癌に対するCT828例の大規模肺がんデータセットを収集した。
  論文  参考訳（メタデータ） (2026-01-15T07:09:00Z)
• 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)
• ConformalSAM: Unlocking the Potential of Foundational Segmentation Models in Semi-Supervised Semantic Segmentation with Conformal Prediction [57.930531826380836]
  本研究は,未ラベル画像のアノテータとして画素レベルの視覚課題におけるラベル不足に,基礎的セグメンテーションモデルが対処できるかどうかを考察する。 ConformalSAMは,まず対象ドメインのラベル付きデータを用いて基礎モデルを校正し,ラベルなしデータの信頼できないピクセルラベルをフィルタリングする新しいSSSSフレームワークである。
  論文  参考訳（メタデータ） (2025-07-21T17:02:57Z)
• Bridging Weakly-Supervised Learning and VLM Distillation: Noisy Partial Label Learning for Efficient Downstream Adaptation [51.67328507400985]
  ノイズ部分ラベル学習(NPLL)では、各トレーニングサンプルは、複数のノイズアノテータによって注釈付けされた候補ラベルのセットに関連付けられている。 本稿では、事前学習された視覚言語モデルによって注釈付けされた部分ラベルからの学習に焦点を当てる。 革新的な協調整合正則化(Co-Reg)法を提案する。
  論文  参考訳（メタデータ） (2025-06-03T12:48:54Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Concurrent Misclassification and Out-of-Distribution Detection for Semantic Segmentation via Energy-Based Normalizing Flow [0.0]
  最近のセマンティックセグメンテーションモデルは、トレーニングデータセットの分布に類似したテスト時間例を正確に分類する。 本稿では,正規化フローフレームワークに依存するIDMとOOD検出を同時に行うための生成モデルを提案する。 FlowEneDetは、事前トレーニングされたDeepLabV3+およびSegFormerセマンティックセグメンテーションモデルに適用した場合、IDM/OOD検出におけるCityscapes、Cityscapes-C、FishyScapes、SegmentMeIfYouCanベンチマークの有望な結果を達成する。
  論文  参考訳（メタデータ） (2023-05-16T17:02:57Z)
• Leveraging Instance Features for Label Aggregation in Programmatic Weak Supervision [75.1860418333995]
  Programmatic Weak Supervision (PWS) は、トレーニングラベルを効率的に合成するための広く普及したパラダイムとして登場した。 PWSのコアコンポーネントはラベルモデルであり、複数のノイズ管理ソースの出力をラベル関数として集約することで、真のラベルを推論する。 既存の統計ラベルモデルは一般的にLFの出力のみに依存し、基礎となる生成過程をモデル化する際のインスタンスの特徴を無視している。
  論文  参考訳（メタデータ） (2022-10-06T07:28:53Z)
• SimT: Handling Open-set Noise for Domain Adaptive Semantic Segmentation [58.61946589036262]
  本稿では,ブラックボックスモデルを用いて,擬似ラベル付きターゲットデータのみにアクセス可能な実用的なドメイン適応(DA)セマンティックセマンティックセマンティクス問題について検討する。 ドメインギャップと2つのドメイン間のラベルシフトのため、擬似ラベル付きターゲットデータには、クローズドセットとオープンセットのラベルノイズが混在している。 DAセマンティックセグメンテーションにおける混合雑音分布をモデル化し、SimTの推定として問題を定式化するための単純なノイズ遷移行列(SimT)を提案する。
  論文  参考訳（メタデータ） (2022-03-29T02:48:08Z)
• Bootstrap Representation Learning for Segmentation on Medical Volumes and Sequences [15.133897897609735]
  本稿では,隣接するスライスの予測可能性を活用することで,ブートストラップによる自己教師型表現学習手法を提案する。 提案手法のコアとなるのは,局所表現の予測に関する単純かつ直接的な自己スーパービジョンである。 本モデルでは, ACDCでは4.5%, 前立腺癌では1.7%, CAMUSでは2.3%の差で既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-06-23T04:37:28Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)

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。