論文の概要: Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models

• arxiv url: http://arxiv.org/abs/2604.10963v1
• Date: Mon, 13 Apr 2026 03:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.30704
• Title: Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models
• Title（参考訳）: ビジョンファウンデーションモデルによる医用画像セグメンテーションにおけるアレータリック不確かさの発見
• Authors: Ruiyang Li, Fang Liu, Licheng Jiao, Xinglin Xie, Jiayao Hao, Shuo Li, Xu Liu, Jingyi Yang, Lingling Li, Puhua Chen, Wenping Ma,
• Abstract要約: 本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
• 参考スコア（独自算出の注目度）: 56.29123284262618
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation supports clinical workflows by precisely delineating anatomical structures and lesions. However, medical image datasets medical image datasets suffer from acquisition noise and annotation ambiguity, causing pervasive data uncertainty that substantially undermines model robustness. Existing research focuses primarily on model architectural improvements and predictive reliability estimation, while systematic exploration of the intrinsic data uncertainty remains insufficient. To address this gap, this work proposes leveraging the universal representation capabilities of visual foundation models to estimate inherent data uncertainty. Specifically, we analyze the feature diversity of the model's decoded representations and quantify their singular value energy to define the semantic perception scale for each class, thereby measuring sample difficulty and aleatoric uncertainty. Based on this foundation, we design two uncertainty-driven application strategies: (1) the aleatoric uncertainty-aware data filtering mechanism to eliminate potentially noisy samples and enhance model learning quality; (2) the dynamic uncertainty-aware optimization strategy that adaptively adjusts class-specific loss weights during training based on the semantic perception scale, combined with a label denoising mechanism to improve training stability. Experimental results on five public datasets encompassing CT and MRI modalities and involving multi-organ and tumor segmentation tasks demonstrate that our method achieves significant and robust performance improvements across various mainstream network architectures, revealing the broad application potential of aleatoric uncertainty in medical image understanding and segmentation tasks.
• Abstract（参考訳）: 医用画像のセグメンテーションは、解剖学的構造と病変を正確に記述することで臨床ワークフローをサポートする。 しかし、医療画像データセットは、取得ノイズやアノテーションの曖昧さに悩まされ、広範囲にわたるデータ不確実性を引き起こし、モデルの堅牢性を著しく損なう。 既存の研究は、モデルアーキテクチャの改善と予測信頼性の推定に重点を置いているが、本質的なデータ不確実性に関する体系的な調査は依然として不十分である。 このギャップに対処するために、視覚基盤モデルの普遍的な表現能力を活用して、固有のデータの不確実性を推定することを提案する。 具体的には,モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスの意味知覚尺度を定義する。 本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化手法,およびトレーニング安定性を向上させるラベルデノイング機構の2つの不確実性駆動型アプリケーション戦略を設計する。 CTとMRIのモダリティを含む5つの公開データセットと多臓器・腫瘍のセグメンテーションタスクに関する実験結果から,本手法は各種主流ネットワークアーキテクチャにおいて有意かつ堅牢な性能向上を実現し,医用画像の理解とセグメンテーションタスクにおけるアレタリック不確実性の可能性を明らかにした。

関連論文リスト

• Uncertainty-Aware Foundation Models for Clinical Data [12.07343307130062]
  本稿では,各患者をポイント埋め込みではなく,有効な潜伏状態の分布として表現する不確実性認識基盤モデリングの枠組みを提案する。 我々は、この定式化をマルチモーダルエンコーダとスケーラブルな自己教師対象と統合し、再構成、コントラストアライメント、分散正規化を組み合わせた。
  論文  参考訳（メタデータ） (2026-04-05T16:44:13Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
  本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。 本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
  論文  参考訳（メタデータ） (2025-05-12T01:57:25Z)
• 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)
• 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)
• Uncertainty-aware GAN with Adaptive Loss for Robust MRI Image Enhancement [3.222802562733787]
  条件付き生成逆数ネットワーク (GAN) は, 画像-画像-画像マッピングの学習において, 性能が向上している。 本稿では,(i)OODノイズデータに対するロバスト性を考慮した適応損失関数をモデル化し,(ii)予測におけるボクセル当たりの不確かさを推定するGANベースのフレームワークを提案する。 医用画像における2つの重要な応用として, (i) 磁気共鳴画像(MRI) 再構成 (ii) MRI のモダリティ伝搬について検討した。
  論文  参考訳（メタデータ） (2021-10-07T11:29:03Z)
• Confidence-Guided Radiology Report Generation [24.714303916431078]
  本稿では,放射線学レポート作成作業における視覚的不確実性とテキスト的不確実性の両方を定量化する手法を提案する。 実験結果から, モデル不確実性評価と推定のための提案手法が, ラジオロジーレポート生成の信頼性向上に有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-06-21T07:02:12Z)
• A Heteroscedastic Uncertainty Model for Decoupling Sources of MRI Image Quality [3.5480752735999417]
  セグメンテーションなどの下流分析を成功させるためには、医用画像の品質管理(QC)が不可欠である。 本研究では,不確実性を推定する確率的ネットワークをヘテロセダスティックノイズモデルにより構築し,そのプロセスを自動化することを目的とする。 シミュレーションされた人工物を用いて訓練したモデルは、実世界の画像に不確実性を示す情報的尺度を提供するとともに、人間のレーダが特定した問題画像に対する不確実性予測を検証する。
  論文  参考訳（メタデータ） (2020-01-31T16:04:41Z)

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。