論文の概要: Efficient KernelSHAP Explanations for Patch-based 3D Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.11775v1
• Date: Mon, 13 Apr 2026 17:43:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.730157
• Title: Efficient KernelSHAP Explanations for Patch-based 3D Medical Image Segmentation
• Title（参考訳）: パッチを用いた3次元医用画像分割のためのKernelSHAPの効率的な説明法
• Authors: Ricardo Coimbra Brioso, Giulio Sichili, Damiano Dei, Nicola Lambri, Pietro Mancosu, Marta Scorsetti, Daniele Loiacono,
• Abstract要約: 本稿では,ユーザ定義の関心領域と受容野サポートに基づく3次元医用画像セグメンテーションのための効率的なフレームワークを提案する。 キャッシュは冗長な計算を著しく削減し(15%から30%)、忠実さと解釈性が明確なトレードオフを示すことを示す。
• 参考スコア（独自算出の注目度）: 0.7178174536168246
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Perturbation-based explainability methods such as KernelSHAP provide model-agnostic attributions but are typically impractical for patch-based 3D medical image segmentation due to the large number of coalition evaluations and the high cost of sliding-window inference. We present an efficient KernelSHAP framework for volumetric CT segmentation that restricts computation to a user-defined region of interest and its receptive-field support, and accelerates inference via patch logit caching, reusing baseline predictions for unaffected patches while preserving nnU-Net's fusion scheme. To enable clinically meaningful attributions, we compare three automatically generated feature abstractions within the receptive-field crop: whole-organ units, regular FCC supervoxels, and hybrid organ-aware supervoxels, and we study multiple aggregation/value functions targeting stabilizing evidence (TP/Dice/Soft Dice) or false-positive behavior. Experiments on whole-body CT segmentations show that caching substantially reduces redundant computation (with computational savings ranging from 15% to 30%) and that faithfulness and interpretability exhibit clear trade-offs: regular supervoxels often maximize perturbation-based metrics but lack anatomical alignment, whereas organ-aware units yield more clinically interpretable explanations and are particularly effective for highlighting false-positive drivers under normalized metrics.
• Abstract（参考訳）: KernelSHAPのような摂動に基づく説明可能性法は、モデルに依存しない属性を提供するが、多くの連立評価と高コストのスライディングウインドウ推論のため、パッチベースの医用画像セグメンテーションには実用的ではない。 本稿では,ユーザ定義の関心領域と受容フィールドのサポートに限定し,パッチロジットキャッシュによる推論を高速化し,nU-Netの融合スキームを保存しながら,影響のないパッチに対するベースライン予測を再利用する,ボリュームCTセグメンテーションのための効率的なKernelSHAPフレームワークを提案する。 臨床的に有意な帰属を可能にするために,全臓器単位,通常のFCCスーパーボクセル,ハイブリッド臓器認識スーパーボクセルの3つの自動的特徴抽象化を比較し,証拠の安定化(TP/Dice/Soft Dice)や偽陽性行動に着目した複数のアグリゲーション/値関数について検討した。 全身CTセグメンテーションの実験では、キャッシュは冗長な計算を著しく減らし(15%から30%)、忠実さと解釈性は明確なトレードオフを示す: 通常のスーパーボクセルはしばしば摂動に基づくメトリクスを最大化するが、解剖学的アライメントは欠く。

関連論文リスト

• MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
  MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。 我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
  論文  参考訳（メタデータ） (2026-03-12T07:37:00Z)
• Multi-head automated segmentation by incorporating detection head into the contextual layer neural network [0.0]
  本稿では,Swin U-Netをベースとしたゲート型マルチヘッドトランスフォーマーアーキテクチャを提案する。 ゲートモデルが非ゲートセグメンテーションのみのベースラインを大幅に上回ることを示す。 これらの結果は,自動セグメンテーションアプリケーションにおいて,検出に基づくゲーティングが堅牢性と解剖学的妥当性を高めることを示唆している。
  論文  参考訳（メタデータ） (2026-02-02T18:51:25Z)
• COMPASS: Robust Feature Conformal Prediction for Medical Segmentation Metrics [23.593891761167374]
  コンフォーマル予測(CP)は、原則付き不確実性保証を導出する一般的なフレームワークであるが、複雑なセグメンテーション-メトリックパイプラインをブラックボックスとして扱う。 本稿では,その基盤となるディープニューラルネットワークの帰納バイアスを利用して,画像分割モデルに対して,効率的で計量ベースのCP間隔を生成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-26T11:56:28Z)
• MOSAIC: A Multi-View 2.5D Organ Slice Selector with Cross-Attentional Reasoning for Anatomically-Aware CT Localization in Medical Organ Segmentation [0.8747606955991707]
  既存の3Dセグメンテーションアプローチは計算的かつメモリ集約的であり、多くの場合、多くの解剖学的に無関係なスライスを含む全ボリュームを処理する。 セグメント化に先立って入力量を削減できる新しい解剖学的スライスセレクタパイプラインを提案する。 提案モデルでは, 構造的関連性の高いスライスを選択的に保持する多視点表現を前提として, 解剖学的局所化の「専門家」として機能する。
  論文  参考訳（メタデータ） (2025-05-15T19:32:28Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
  本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。 我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
  論文  参考訳（メタデータ） (2022-12-08T18:59:57Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)

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。