論文の概要: DGRNet: Disagreement-Guided Refinement for Uncertainty-Aware Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2603.21086v1
• Date: Sun, 22 Mar 2026 06:56:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.231719
• Title: DGRNet: Disagreement-Guided Refinement for Uncertainty-Aware Brain Tumor Segmentation
• Title（参考訳）: DGRNet:不確かさを意識した脳腫瘍切除のための診断ガイド付きリファインメント
• Authors: Bahram Mohammadi, Yanqiu Wu, Vu Minh Hieu Phan, Sam White, Minh-Son To, Jian Yang, Michael Sheng, Yang Song, Yuankai Qi,
• Abstract要約: 本稿では,MRI脳腫瘍セグメント化のためのDGRNet(Disagreement-Guided Refinement Network)を提案する。 DGRNetは、共有エンコーダデコーダにアタッチされた4つの軽量ビュー固有アダプタを介して、多様な予測を生成する。 DGRNetは,DiceとHD95の2.4%と11%の精度で,最先端のセグメンテーション精度を良好に向上することを示した。
• 参考スコア（独自算出の注目度）: 25.65330582165925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate brain tumor segmentation from MRI scans is critical for diagnosis and treatment planning. Despite the strong performance of recent deep learning approaches, two fundamental limitations remain: (1) the lack of reliable uncertainty quantification in single-model predictions, which is essential for clinical deployment because the level of uncertainty may impact treatment decision-making, and (2) the under-utilization of rich information in radiology reports that can guide segmentation in ambiguous regions. In this paper, we propose the Disagreement-Guided Refinement Network (DGRNet), a novel framework that addresses both limitations through multi-view disagreement-based uncertainty estimation and text-conditioned refinement. DGRNet generates diverse predictions via four lightweight view-specific adapters attached to a shared encoder-decoder, enabling efficient uncertainty quantification within a single forward pass. Afterward, we build disagreement maps to identify regions of high segmentation uncertainty, which are then selectively refined according to clinical reports. Moreover, we introduce a diversity-preserving training strategy that combines pairwise similarity penalties and gradient isolation to prevent view collapse. The experimental results on the TextBraTS dataset show that DGRNet favorably improves state-of-the-art segmentation accuracy by 2.4% and 11% in main metrics Dice and HD95, respectively, while providing meaningful uncertainty estimates.
• Abstract（参考訳）: MRIスキャンによる脳腫瘍の正確なセグメンテーションは、診断と治療計画に不可欠である。 近年の深層学習アプローチの強い性能にもかかわらず,(1) 単一モデル予測における確実な不確実性定量化の欠如は, 治療決定に影響を及ぼす可能性があるため, 臨床展開に不可欠である。 本稿では,多視点不一致に基づく不確実性推定とテキストコンディショニングによる両制約に対処する新しいフレームワークであるDGRNetを提案する。 DGRNetは、共有エンコーダデコーダにアタッチされた4つの軽量なビュー固有アダプタを介して、多様な予測を生成し、単一のフォワードパス内で効率的な不確実性定量化を可能にする。 その後, 高いセグメンテーション不確実性の領域を特定するために不一致マップを構築し, 臨床報告により選択的に精査した。 さらに,一対の類似性ペナルティと勾配分離を組み合わせた多様性保存型トレーニング戦略を導入し,視界崩壊を防止する。 TextBraTSデータセットの実験結果は、DGRNetがそれぞれDiceとHD95で最先端のセグメンテーション精度を2.4%と11%改善し、有意義な不確実性評価を提供することを示している。

関連論文リスト

• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• 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)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• QU-BraTS: MICCAI BraTS 2020 Challenge on Quantifying Uncertainty in Brain Tumor Segmentation -- Analysis of Ranking Metrics and Benchmarking Results [29.106087655992862]
  ディープラーニング(DL)モデルは、さまざまな医療画像ベンチマークの課題において最先端のパフォーマンスを提供する。 しかし,局所病理領域の多部分分割(腫瘍や病変のサブリージョンなど)の課題は特に困難である。 DLモデル予測の信頼性を不確実性の形で定量化することは、最も不確実な領域の臨床的レビューを可能にする。
  論文  参考訳（メタデータ） (2021-12-19T06:45:55Z)
• SUPER-Net: Trustworthy Image Segmentation via Uncertainty Propagation in Encoder-Decoder Networks [0.17398560678845076]
  SUPER-Netは、不確実性伝播による信頼できる画像セグメンテーションのためのフレームワークである。 分割された画像と画素単位の不確実性マップの2つの出力を同時に生成する。 以上の結果から, SUPER-Netは最先端モデルよりもロバスト性と精度が優れていた。
  論文  参考訳（メタデータ） (2021-11-10T22:46:05Z)
• 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)

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。