Fugu-MT 論文翻訳(概要): sFRC for assessing hallucinations in medical image restoration

論文の概要: sFRC for assessing hallucinations in medical image restoration

arxiv url: http://arxiv.org/abs/2603.04673v1
Date: Wed, 04 Mar 2026 23:29:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-06 22:06:11.00518
Title: sFRC for assessing hallucinations in medical image restoration
Title（参考訳）: 医用画像修復における幻覚評価のためのsFRC
Authors: Prabhat Kc, Rongping Zeng, Nirmal Soni, Aldo Badano,
Abstract要約: 我々は,SFRCを用いて,CT超解像,CTスパースビュー,MRIサブサンプル修復の3つの下位医療画像問題に対する幻覚を検出する。テスト段階では、CT問題における幻影特徴の検出におけるsFRCの有効性と、MRI問題に対する幻影特徴マップ上の画像理論に基づく出力との一致を示す。
参考スコア（独自算出の注目度）: 1.599940751288351
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning (DL) methods are currently being explored to restore images from sparse-view-, limited-data-, and undersampled-based acquisitions in medical applications. Although outputs from DL may appear visually appealing based on likability/subjective criteria (such as less noise, smooth features), they may also suffer from hallucinations. This issue is further exacerbated by a lack of easy-to-use techniques and robust metrics for the identification of hallucinations in DL outputs. In this work, we propose performing Fourier Ring Correlation (FRC) analysis over small patches and concomitantly (s)canning across DL outputs and their reference counterparts to detect hallucinations (termed as sFRC). We describe the rationale behind sFRC and provide its mathematical formulation. The parameters essential to sFRC may be set using predefined hallucinated features annotated by subject matter experts or using imaging theory-based hallucination maps. We use sFRC to detect hallucinations for three undersampled medical imaging problems: CT super-resolution, CT sparse view, and MRI subsampled restoration. In the testing phase, we demonstrate sFRC's effectiveness in detecting hallucinated features for the CT problem and sFRC's agreement with imaging theory-based outputs on hallucinated feature maps for the MR problem. Finally, we quantify the hallucination rates of DL methods on in-distribution versus out-of-distribution data and under increasing subsampling rates to characterize the robustness of DL methods. Beyond DL-based methods, sFRC's effectiveness in detecting hallucinations for a conventional regularization-based restoration method and a state-of-the-art unrolled method is also shown.
Abstract（参考訳）: 深層学習(DL)法は現在、医療応用におけるスパースビュー、リミテッドデータ、アンアンサンプベースの取得からイメージを復元するために研究されている。 DLからの出力は、可聴性/主観的基準(ノイズ、スムーズな特徴など)に基づいて視覚的に魅力的に見えるが、幻覚に悩まされることもある。この問題は、DL出力における幻覚の識別のための使いやすさと堅牢な指標の欠如によりさらに悪化している。本研究では,小さなパッチに対してフーリエリング相関 (FRC) 解析を行い,DL出力と参照出力を併用して幻覚(sFRC)を検出することを提案する。本稿では,sFRCの理論的根拠と数学的定式化について述べる。 sFRCに必須のパラメータは、被写体の専門家によって注釈付けされた事前定義された幻覚的特徴や、画像理論に基づく幻覚地図を用いて設定することができる。我々は,SFRCを用いて,CT超解像,CTスパースビュー,MRIサブサンプル修復の3つの下位医療画像問題に対する幻覚を検出する。テスト段階では、CT問題における幻影特徴の検出におけるsFRCの有効性と、MRI問題に対する幻影特徴マップ上の画像理論に基づく出力との一致を示す。最後に,DL手法のロバスト性を特徴付けるために,分布内分布と分布外分布データに対するDL手法の幻覚率とサブサンプリング率の増大を定量化する。 DL法以外にも、従来の正規化法における幻覚検出におけるsFRCの有効性や、最先端のアンロール法も示す。

関連論文リスト

Seeing Through the Chain: Mitigate Hallucination in Multimodal Reasoning Models via CoT Compression and Contrastive Preference Optimization [78.94590726578014]
マルチモーダル推論モデル (Multimodal reasoning model, MLRM) は幻覚の傾向が強く, 効果的な解はいまだ未発見のままである。 textbfCompression と textbfPreference textbfOptimization を組み合わせたトレーニングベースの緩和フレームワーク C3PO を提案する。
論文参考訳（メタデータ） (2026-02-03T11:00:55Z)
A novel hallucination classification framework [0.0]
本研究では,大規模言語モデル(LLM)における幻覚の自動検出手法を提案する。提案手法は,素早い工学的手法による系統分類と多様な幻覚の再現制御に基づく。
論文参考訳（メタデータ） (2025-10-06T09:54:20Z)
Cross-Layer Attention Probing for Fine-Grained Hallucination Detection [6.83291363146574]
幻覚検出のための新しいアクティベーション・プロブリング技術であるCLAP(Cross-Layer Attention Probing)を提案する。実験により,CLAPは脱コード応答と高温度でサンプリングされた応答の両方のベースラインと比較して幻覚検出を改善することが示された。 CLAPは、アウト・オブ・ディストリビューションを適用しても高い信頼性を維持する。
論文参考訳（メタデータ） (2025-09-04T14:37:34Z)
Mitigating Hallucinations in Multimodal LLMs via Object-aware Preference Optimization [55.543583937522804]
MLLM(Multimodal Large Language Models)は、様々なタスクに対処するための統一インターフェースとして登場した。多くのベンチマークで最先端の結果が誇示されているにもかかわらず、長年の問題はMLLMが幻覚を起こす傾向にある。本稿では,幻覚の問題をアライメント問題として取り上げ,幻覚を伴わないコンテンツを生成するためのMLLMのステアリングを試みる。
論文参考訳（メタデータ） (2025-08-27T18:02:04Z)
ICR Probe: Tracking Hidden State Dynamics for Reliable Hallucination Detection in LLMs [50.18087419133284]
隠れた状態を活用する幻覚検出法は、主に静的および孤立した表現に焦点を当てている。隠れ状態の更新に対するモジュールの寄与を定量化する新しいメトリック ICR Score を導入する。本稿では,隠れ状態の層間進化を捉えた幻覚検出手法 ICR Probe を提案する。
論文参考訳（メタデータ） (2025-07-22T11:44:26Z)
MIRAGE: Assessing Hallucination in Multimodal Reasoning Chains of MLLM [58.2298313720146]
マルチモーダル幻覚は多源性であり、様々な原因から生じる。既存のベンチマークでは、知覚誘発幻覚と推論誘発幻覚を適切に区別することができない。
論文参考訳（メタデータ） (2025-05-30T05:54:36Z)
Efficient Contrastive Decoding with Probabilistic Hallucination Detection - Mitigating Hallucinations in Large Vision Language Models - [1.2499537119440245]
効率的なコントラストデコーディング(ECD)は、確率的幻覚検出を利用して、推定時に出力分布を文脈的に正確な解へとシフトする単純な方法である。実験の結果,LCDは幻覚を効果的に軽減し,LVLMベンチマークの性能や計算時間に対して最先端の手法より優れることがわかった。
論文参考訳（メタデータ） (2025-04-16T14:50:25Z)
Tackling Hallucination from Conditional Models for Medical Image Reconstruction with DynamicDPS [3.572461722393917]
幻覚は、基礎的な真実には存在しない刺激的な構造である。条件付き拡散モデルと非条件拡散モデルを統合する拡散ベースのフレームワークであるDynamicDPSを提案する。本手法は,任意の条件付きモデル出力から幻覚を効果的に低減する。
論文参考訳（メタデータ） (2025-03-03T00:33:04Z)
ReDeEP: Detecting Hallucination in Retrieval-Augmented Generation via Mechanistic Interpretability [27.325766792146936]
パラメトリック(内部)知識の不足によって引き起こされる幻覚。このような幻覚を検出するには、Large Language Models (LLM) が外部とパラメトリックの知識をどのように利用するかを理解する必要がある。本稿では,LLMの外部文脈とパラメトリック知識を分離して幻覚を検出する手法であるReDeEPを提案する。
論文参考訳（メタデータ） (2024-10-15T09:02:09Z)
HalluciDoctor: Mitigating Hallucinatory Toxicity in Visual Instruction Data [102.56792377624927]
機械生成データに固有の幻覚は未発見のままである。本稿では,クロスチェックパラダイムに基づく新しい幻覚検出・除去フレームワークであるHaluciDoctorを提案する。 LLaVAに比べて44.6%の幻覚を緩和し,競争性能を維持した。
論文参考訳（メタデータ） (2023-11-22T04:52:58Z)
A New Benchmark and Reverse Validation Method for Passage-level Hallucination Detection [63.56136319976554]
大きな言語モデル(LLM)は幻覚を発生させ、ミッションクリティカルなタスクにデプロイすると大きなダメージを与える可能性がある。本稿では,逆検証に基づく自己チェック手法を提案し,ゼロリソース方式で事実誤りを自動的に検出する。提案手法と既存のゼロリソース検出手法を2つのデータセット上で実証的に評価した。
論文参考訳（メタデータ） (2023-10-10T10:14:59Z)

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。