論文の概要: Volumetric Directional Diffusion: Anchoring Uncertainty Quantification in Anatomical Consensus for Ambiguous Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2603.04024v1
• Date: Wed, 04 Mar 2026 12:58:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.311677
• Title: Volumetric Directional Diffusion: Anchoring Uncertainty Quantification in Anatomical Consensus for Ambiguous Medical Image Segmentation
• Title（参考訳）: 容積方向拡散 : 曖昧な医用画像分割のための解剖学的結語における不確かさの定量化
• Abstract要約: Volumetric Directional Diffusion (VDD) は、生成軌跡を決定論的コンセンサスに数学的に固定する。 VDDは、トポロジカル崩壊を危険にさらすことなく、専門家の不一致に固有の微細な幾何学的変動を正確に探索する。 最終的に、VDDは、臨床医に解剖学的に一貫性のある不確実性マップを提供し、下流タスクにおけるより安全な意思決定とリスク軽減を可能にする。
• 参考スコア（独自算出の注目度）: 9.649916323072434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Equivocal 3D lesion segmentation exhibits high inter-observer variability. Conventional deterministic models ignore this aleatoric uncertainty, producing over-confident masks that obscure clinical risks. Conversely, while generative methods (e.g., standard diffusion) capture sample diversity, recovering complex topology from pure noise frequently leads to severe structural fractures and out-of-distribution anatomical hallucinations. To resolve this fidelity-diversity trade-off, we propose Volumetric Directional Diffusion (VDD). Unlike standard diffusion models that denoise isotropic Gaussian noise, VDD mathematically anchors the generative trajectory to a deterministic consensus prior. By restricting the generative search space to iteratively predict a 3D boundary residual field, VDD accurately explores the fine-grained geometric variations inherent in expert disagreements without risking topological collapse. Extensive validation on three multi-rater datasets (LIDC-IDRI, KiTS21, and ISBI 2015) demonstrates that VDD achieves state-of-the-art uncertainty quantification (significantly improving GED and CI) while remaining highly competitive in segmentation accuracy against deterministic upper bounds. Ultimately, VDD provides clinicians with anatomically coherent uncertainty maps, enabling safer decision-making and mitigating risks in downstream tasks (e.g., radiotherapy planning or surgical margin assessment).
• Abstract（参考訳）: Equivocal 3D lesion segmentationは、高いサーバ間変動を示す。 従来の決定論的モデルは、このアレタリックな不確実性を無視し、不明瞭な臨床リスクを伴う過信マスクを生成する。 逆に、生成的手法(例えば、標準拡散)はサンプルの多様性を捉えるが、純粋なノイズから複雑なトポロジーを回復することは、しばしば重篤な構造的骨折や、分布外の解剖学的幻覚を引き起こす。 本稿では,この不確実性と多様性のトレードオフを解決するために,VDD(Volumetric Directional Diffusion)を提案する。 等方的ガウスノイズを識別する標準拡散モデルとは異なり、VDDは数学的に生成軌道を決定論的コンセンサスに固定する。 生成的探索空間を3次元境界残留場を反復的に予測するように制限することにより、VDDは位相的崩壊を危険にさらすことなく、専門家の不一致に固有のきめ細かい幾何学的変動を正確に探索する。 LIDC-IDRI、KiTS21、ISBI 2015の3つのマルチレータデータセットに対する大規模な検証は、VDDが決定論的上限に対するセグメンテーション精度において高い競争力を維持しながら、最先端の不確実性定量化(特にGEDとCIの改善)を達成することを示した。 最終的に、VDDは、臨床医に解剖学的に一貫性のある不確実性マップを提供し、下流の作業(例えば、放射線治療計画または手術的マージン評価)におけるより安全な意思決定とリスク軽減を可能にする。

関連論文リスト

• Beyond Boundary Noise: Aggregated Aleatoric Uncertainty Fails to Capture Presence Ambiguity in 3D Lung Nodule Segmentation [13.944682026264472]
  3次元肺セグメンテーションにおいて,アレタリック不確実性が存在の曖昧さをいかに捉えているかを系統的に評価した。 エントロピーに基づく不確実性マップは境界雑音と一致しているが,不明瞭さに対する識別信号は不十分である。 凍結セグメンテーションで訓練された軽量な教師付き曖昧性ヘッドはエントロピー集約に基づくベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-08-14T12:12:34Z)
• UCBound-Net: Uncertainty-Guided Boundary-Aware Continual Learning for Domain-Incremental Ultrasound Segmentation [0.0]
  リスクを忘れるための空間的プロキシとして,モンテカルロ(MC)ドロップアウトの不確実性を利用する連続セグメンテーションフレームワークUCBound-Netを紹介する。 本手法は, 凍結教師の高エントロピー領域における知識伝達信号を増幅する不確実性重み付き境界蒸留, 過度な不正確な予測を明示する不確実性校正正規化, および, 境界領域が最も高いエントロピーを示すサンプルを優先的に記憶するメモリバッファである不確実性誘導選択の3つの相乗的成分に寄与する。
  論文  参考訳（メタデータ） (2026-08-02T22:11:20Z)
• Quantification of Uncertainty with Adversarial Models in Medical Image Segmentation [5.9165058427687045]
  本稿では, 対向探索を用いたポストホックフレームワーク QUAM-SM を提案し, 「アドリアリフィラブル」 画素を同定する。 予測不安定を顕在化する摂動を積極的に探すことにより,決定がフリップに対して最も脆弱な領域に注目する。 複数の専門家アノテーションを持つ2つの公開データセットの実験は、QUIM-SMが標準および最近の不確実性推定アプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2026-06-17T09:42:24Z)
• An Uncertainty Estimation Framework for Dose Accumulation in Adaptive Radiotherapy: Application to CBCT-Guided Radiotherapy for Cervical Cancer [0.6532395471196993]
  oARTは、毎日の計画順応を可能にするが、累積線量推定は限られている。 本稿では,不確実性を考慮した線量蓄積フレームワークであるIMPACT-DoseAccを,意味的特徴駆動画像解析のためのIMPACT内に導入する。 9例の頸部癌患者を毎日CBCT由来の仮想CTを用いて振り返って分析した。
  論文  参考訳（メタデータ） (2026-06-09T15:52:58Z)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• A Unified Framework for Joint Detection of Lacunes and Enlarged Perivascular Spaces [3.9313804276175506]
  脳小血管疾患(CSVD)マーカー,特にEPVSとlacunaeは,医用画像解析においてユニークな課題である。 本稿では,Zero-Gated CrossTask Attention が高密度EPVSコンテキストを利用してスパースラグーン検出を誘導する形態分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-04T16:30:46Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Depth-Sequence Transformer (DST) for Segment-Specific ICA Calcification Mapping on Non-Contrast CT [38.85617601239779]
  従来の3Dモデルは、縮小されたボリュームや分離されたパッチを処理せざるを得ない。 我々は,3次元課題を1次元軸方向に沿ったtextbfParallel Probabilistic Landmark Localizationタスクとして再構成する。 フル解像度CTボリュームを2次元スライスシーケンスとして処理するフレームワークである textbfDepth-Sequence Transformer (DST) を提案する。
  論文  参考訳（メタデータ） (2025-07-10T23:12:12Z)
• L-FUSION: Laplacian Fetal Ultrasound Segmentation & Uncertainty Estimation [6.626853161057203]
  L-fusionは、教師なし、規範的学習および大規模基礎モデルを通じて不確実な定量化を統合するフレームワークである。 即時診断フィードバックのための信頼性の高い異常定量化を実現する。 不確かさの解釈を改善し、手動の病気回避の必要性を取り除く。
  論文  参考訳（メタデータ） (2025-03-07T08:57:38Z)
• Revisiting Deep Ensemble Uncertainty for Enhanced Medical Anomaly Detection [34.14012444375776]
  医用異常検出のためのDual-space Uncertainty Estimationフレームワークを提案する。 異常検出のための一致と不一致のバランスをとるために,冗長性認識反発(RAR)を提案する。 また,入出力空間におけるアンサンブルの不確実性を利用したDual-Space Uncertainty(DSU)を開発した。
  論文  参考訳（メタデータ） (2024-09-26T02:47:41Z)
• Unraveling the "Anomaly" in Time Series Anomaly Detection: A Self-supervised Tri-domain Solution [89.16750999704969]
  異常ラベルは時系列異常検出において従来の教師付きモデルを妨げる。 自己教師型学習のような様々なSOTA深層学習技術がこの問題に対処するために導入されている。 自己教師型3領域異常検出器(TriAD)を提案する。
  論文  参考訳（メタデータ） (2023-11-19T05:37:18Z)
• Probabilistic 3D segmentation for aleatoric uncertainty quantification in full 3D medical data [7.615431940103322]
  正規化フローを付加した3次元確率的セグメンテーションフレームワークを開発した。 私たちは初めて、0.401の3D角形一般エネルギー距離(GED)と、高い0.468のハンガリー製の3D IoUを提示しました。
  論文  参考訳（メタデータ） (2023-05-01T17:19:20Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)

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。