論文の概要: CRISP: Rank-Guided Iterative Squeezing for Robust Medical Image Segmentation under Domain Shift

• arxiv url: http://arxiv.org/abs/2604.05409v1
• Date: Tue, 07 Apr 2026 04:05:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.619487
• Title: CRISP: Rank-Guided Iterative Squeezing for Robust Medical Image Segmentation under Domain Shift
• Title（参考訳）: CRISP: ドメインシフト下でのロバストな医用画像セグメンテーションのためのランク誘導反復スキーズ
• Authors: Yizhou Fang, Pujin Cheng, Yixiang Liu, Xiaoying Tang, Longxi Zhou,
• Abstract要約: 正のボクセルに対する予測確率の相対的なランクは、分布シフトの下で安定であることを示す「正の領域のランク安定性」を導入する。 次に、反復的なトレーニングフレームワークを設計し、HPとHRを段階的に最終セグメンテーションに絞る'。 CRISPは確率ではなくランクに基づいてセグメンテーションを行う最初のフレームワークである。
• 参考スコア（独自算出の注目度）: 7.9644155369405665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distribution shift in medical imaging remains a central bottleneck for the clinical translation of medical AI. Failure to address it can lead to severe performance degradation in unseen environments and exacerbate health inequities. Existing methods for domain adaptation are inherently limited by exhausting predefined possibilities through simulated shifts or pseudo-supervision. Such strategies struggle in the open-ended and unpredictable real world, where distribution shifts are effectively infinite. To address this challenge, we introduce an empirical law called ``Rank Stability of Positive Regions'', which states that the relative rank of predicted probabilities for positive voxels remains stable under distribution shift. Guided by this principle, we propose CRISP, a parameter-free and model-agnostic framework requiring no target-domain information. CRISP is the first framework to make segmentation based on rank rather than probabilities. CRISP simulates model behavior under distribution shift via latent feature perturbation, where voxel probability rankings exhibit two stable patterns: regions that consistently retain high probabilities (destined positives according to the principle) and those that remain low-probability (can be safely classified as negatives). Based on these patterns, we construct high-precision (HP) and high-recall (HR) priors and recursively refine them under perturbation. We then design an iterative training framework, making HP and HR progressively ``squeeze'' to the final segmentation. Extensive evaluations on multi-center cardiac MRI and CT-based lung vessel segmentation demonstrate CRISP's superior robustness, significantly outperforming state-of-the-art methods with striking HD95 reductions of up to 0.14 (7.0\% improvement), 1.90 (13.1\% improvement), and 8.39 (38.9\% improvement) pixels across multi-center, demographic, and modality shifts, respectively.
• Abstract（参考訳）: 医用画像の分布変化は、医療用AIの臨床的翻訳における中心的なボトルネックである。 対処に失敗すると、目に見えない環境での大幅なパフォーマンス低下と、健康上の不平等が悪化する可能性がある。 既存のドメイン適応の方法は、シミュレートされたシフトや擬似スーパービジョンを通じて、事前に定義された可能性を使い果たすことによって本質的に制限される。 このような戦略は、分散シフトが事実上無限である、オープンで予測不可能な現実世界で苦戦する。 この課題に対処するために, 正のボクセルの予測確率の相対ランクが分布シフトの下で安定であることを示す「正の領域のランク安定性」という経験則を導入する。 本稿では,パラメータフリーでモデルに依存しないフレームワークであるCRISPを提案する。 CRISPは確率ではなくランクに基づいてセグメンテーションを行う最初のフレームワークである。 CRISPは、潜在的特徴摂動による分布シフトのモデル挙動をシミュレートし、ボクセル確率ランキングは、高い確率を一貫して維持する領域(原則に従って決定された正)と低い確率を維持する領域(安全に負として分類できる)の2つの安定なパターンを示す。 これらのパターンに基づいて, 高精度 (HP) と高リコール (HR) を事前構築し, 摂動下で再帰的に洗練する。 次に、反復的なトレーニングフレームワークを設計し、HPとHRを段階的に'squeeze'を最終セグメンテーションにします。 マルチセンター心MRIとCTをベースとした肺血管セグメンテーションの広範囲な評価は、CRISPの優れたロバスト性を示し、HD95を最大で0.14(7.0\%改善)、1.90(13.1\%改善)、8.39(38.9\%改善)ピクセルを多センター、人口動態、モダリティシフトで大幅に改善した。

関連論文リスト

• SHAPE: Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation for Medical Image Segmentation [7.174788000625294]
  非教師付きドメイン適応(Unsupervised Domain Adaptation, UDA)は、様々な臨床環境に医療セグメンテーションモデルを配置するために不可欠である。 SHAPE(Structure-Aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation)は、グローバルな解剖学的妥当性に対する適応を再構築するフレームワークである。
  論文  参考訳（メタデータ） (2026-03-23T12:25:56Z)
• First-Mover Bias in Gradient Boosting Explanations: Mechanism, Detection, and Resolution [0.0]
  第1モーバーバイアス(英: First-mover bias)は、勾配上昇における逐次的残留フィッティングに起因する特徴量の集中である。 モデル独立性は線形状態における最優先バイアスを解くのに十分であり、非線形データ生成プロセス下では最も効果的な緩和法であることを示す。
  論文  参考訳（メタデータ） (2026-03-22T02:59:40Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Anatomically-aware conformal prediction for medical image segmentation with random walks [8.829058131683764]
  コンフォーマル予測(CP)は統計的に有効な予測区間を構築するための強力な分布自由フレームワークである。 本稿では,任意のセグメンテーション法上に付加可能なモデルに依存しないフレームワークであるランダム-ウォーク整形予測(RW-CP)を提案する。
  論文  参考訳（メタデータ） (2026-01-26T22:16:07Z)
• ClinNet: Evidential Ordinal Regression with Bilateral Asymmetry and Prototype Memory for Knee Osteoarthritis Grading [3.337151338735509]
  X線画像に基づく膝関節症(KOA)の診断は極めて難しい課題である。 本研究では, KOA グレーディングに対処する信頼性の高い新しいフレームワーク ClinNet を提案する。
  論文  参考訳（メタデータ） (2026-01-24T05:49:41Z)
• Navigating the Reality Gap: Privacy-Preserving Adaptation of ASR for Challenging Low-Resource Domains [4.585227671447896]
  インドにおける多言語モデル(IndicWav2Vec)は、インドの農村部の臨床データに対して40.94%のWERに低下し、使用不能となることを示す。 これを解決するために、ローランド適応(LoRA)による局所的かつ連続的な適応を可能にするゼロデータ抽出フレームワークについて検討する。 以上の結果から,マルチドメインエクスペリエンス・リプレイ(ER)が主性能向上を達成し,目標WERの17.1%の相対的な改善を実現した。
  論文  参考訳（メタデータ） (2025-12-18T10:56:27Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• 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)

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。