Fugu-MT 論文翻訳(概要): Confidence-aware Monocular Depth Estimation for Minimally Invasive Surgery

論文の概要: Confidence-aware Monocular Depth Estimation for Minimally Invasive Surgery

arxiv url: http://arxiv.org/abs/2603.03571v1
Date: Tue, 03 Mar 2026 22:59:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-05 21:29:15.113424
Title: Confidence-aware Monocular Depth Estimation for Minimally Invasive Surgery
Title（参考訳）: 最小侵襲手術における信頼度を考慮した単眼深度推定
Authors: Muhammad Asad, Emanuele Colleoni, Pritesh Mehta, Nicolas Toussaint, Ricardo Sanchez-Matilla, Maria Robu, Faisal Bashir, Rahim Mohammadi, Imanol Luengo, Danail Stoyanov,
Abstract要約: 内視鏡的ビデオシーケンスは、しばしば煙、特異な反射、ぼやけ、閉塞によって汚染される。現在のMDEモデルは深度信頼を出力しないため、臨床信頼性を向上させる上で貴重なツールとなる可能性がある。本稿では,3つの重要な貢献を特徴とする信頼性を考慮した新しいMDEフレームワークを提案する。
参考スコア（独自算出の注目度）: 8.602185221341648
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Purpose: Monocular depth estimation (MDE) is vital for scene understanding in minimally invasive surgery (MIS). However, endoscopic video sequences are often contaminated by smoke, specular reflections, blur, and occlusions, limiting the accuracy of MDE models. In addition, current MDE models do not output depth confidence, which could be a valuable tool for improving their clinical reliability. Methods: We propose a novel confidence-aware MDE framework featuring three significant contributions: (i) Calibrated confidence targets: an ensemble of fine-tuned stereo matching models is used to capture disparity variance into pixel-wise confidence probabilities; (ii) Confidence-aware loss: Baseline MDE models are optimized with confidence-aware loss functions, utilizing pixel-wise confidence probabilities such that reliable pixels dominate training; and (iii) Inference-time confidence: a confidence estimation head is proposed with two convolution layers to predict per-pixel confidence at inference, enabling assessment of depth reliability. Results: Comprehensive experimental validation across internal and public datasets demonstrates that our framework improves depth estimation accuracy and can robustly quantify the prediction's confidence. On the internal clinical endoscopic dataset (StereoKP), we improve dense depth estimation accuracy by ~8% as compared to the baseline model. Conclusion: Our confidence-aware framework enables improved accuracy of MDE models in MIS, addressing challenges posed by noise and artifacts in pre-clinical and clinical data, and allows MDE models to provide confidence maps that may be used to improve their reliability for clinical applications.
Abstract（参考訳）: 目的:最小侵襲手術(MIS)におけるシーン理解には,単眼深度推定(MDE)が不可欠である。しかし、内視鏡的ビデオシーケンスは、しばしば煙、分光反射、ぼかし、閉塞によって汚染され、MDEモデルの精度が制限される。加えて、現在のMDEモデルは深度信頼を出力しないため、臨床信頼性を向上させる貴重なツールとなる可能性がある。方法:3つの重要な貢献を特徴とする新しい信頼性を考慮したMDEフレームワークを提案する。 (i)キャリブレーションされた信頼目標:微調整されたステレオマッチングモデルのアンサンブルを用いて、画素単位の信頼確率の差分をキャプチャする。 (二)信頼度認識損失:信頼度認識損失関数に最適化されたベースラインMDEモデル。三推定時間信頼度:2つの畳み込み層を有する信頼度推定ヘッドを提案し、推定時の画素ごとの信頼度を予測し、深度信頼性の評価を可能にする。結果: 内部および公開データセット間の総合的な実験的検証により, フレームワークが深度推定精度を改善し, 予測の信頼性をしっかりと定量化できることが証明された。内科的内視鏡的データセット(StereoKP)では,ベースラインモデルと比較して深度推定精度が約8%向上した。結論:本フレームワークは,MISにおけるMDEモデルの精度向上と,前臨床および臨床データにおけるノイズやアーティファクトによる課題への対処を実現するとともに,MDEモデルの信頼性向上に有効な信頼性マップの提供を可能にする。

関連論文リスト

Towards Reliable Medical LLMs: Benchmarking and Enhancing Confidence Estimation of Large Language Models in Medical Consultation [97.36081721024728]
本稿では,現実的な医療相談におけるマルチターンインタラクションの信頼性を評価するための最初のベンチマークを提案する。本ベンチマークでは,3種類の医療データを統合し,診断を行う。本稿では,エビデンスを基盤とした言語自己評価フレームワークであるMedConfを紹介する。
論文参考訳（メタデータ） (2026-01-22T04:51:39Z)
Enhancing Trustworthiness with Mixed Precision: Benchmarks, Opportunities, and Challenges [12.438306093697]
大規模言語モデル(LLM)は、様々なタスクで有望なパフォーマンスを示している。 LLMの自己回帰デコーディングプロセスは、既存のAIハードウェアへの効率的なデプロイに重大な課題をもたらす。
論文参考訳（メタデータ） (2025-11-27T14:17:43Z)
BrowseConf: Confidence-Guided Test-Time Scaling for Web Agents [58.05949210993854]
本研究では,長期にわたる行動の後,言語化された信頼度スコアを用いて,検索エージェントが自身の信頼を伝達できるかどうかを検討する。本研究では,信頼度スコアを用いて回答の質を判断し,信頼度レベルに達するまで再度試すテスト時間スケーリング(TTS)手法を提案する。
論文参考訳（メタデータ） (2025-10-27T15:58:51Z)
Mind the Generation Process: Fine-Grained Confidence Estimation During LLM Generation [63.49409574310576]
大規模言語モデル(LLM)は自信過剰を示し、信頼度の高いスコアを誤った予測に割り当てる。本研究では,テキスト生成中に高精度できめ細かな信頼スコアを提供する信頼度推定手法であるFineCEを紹介する。論文で使用されたコードとすべてのベースラインはGitHubで公開されている。
論文参考訳（メタデータ） (2025-08-16T13:29:35Z)
Efficient Epistemic Uncertainty Estimation in Cerebrovascular Segmentation [1.3980986259786223]
ベイズ近似とディープアンサンブルの利点を組み合わせた効率的なアンサンブルモデルを提案する。高モデル不確実性と誤予測の領域は一致しており、このアプローチの有効性と信頼性を示している。
論文参考訳（メタデータ） (2025-03-28T09:39:37Z)
Quantifying Calibration Error in Neural Networks Through Evidence-Based Theory [1.9832598896178517]
本稿では、予測エラー(ECE)の評価に主観的論理を組み込むことにより、ニューラルネットワークの信頼性を定量化する新しい枠組みを提案する。我々は,MNISTおよびCIFAR-10データセットを用いた実験により,信頼性が向上したことを示す。提案されたフレームワークは、医療や自律システムといったセンシティブな分野における潜在的な応用を含む、AIモデルのより解釈可能でニュアンスな評価を提供する。
論文参考訳（メタデータ） (2024-10-31T23:54:21Z)
Calib3D: Calibrating Model Preferences for Reliable 3D Scene Understanding [55.32861154245772]
Calib3Dは3Dシーン理解モデルの信頼性をベンチマークし精査する先駆的な試みである。 10の異なる3Dデータセットにまたがる28の最先端モデルを総合的に評価する。本稿では,3次元モデルのキャリブレーション向上を目的とした,深度対応のスケーリング手法であるDeptSを紹介する。
論文参考訳（メタデータ） (2024-03-25T17:59:59Z)
Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
論文参考訳（メタデータ） (2023-07-19T12:11:15Z)
Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文参考訳（メタデータ） (2023-06-08T07:05:36Z)
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)
Model Uncertainty Quantification for Reliable Deep Vision Structural Health Monitoring [2.5126058470073263]
本稿では,深部視覚構造型健康モニタリングモデルに対するベイズ推定を提案する。不確かさはモンテカルロのドロップアウトサンプリングを用いて定量化することができる。き裂, 局部損傷同定, 橋梁部品検出の3つの独立したケーススタディについて検討した。
論文参考訳（メタデータ） (2020-04-10T17:54:10Z)

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。