論文の概要: Budget-Aware Uncertainty for Radiotherapy Segmentation QA Using nnU-Net

• arxiv url: http://arxiv.org/abs/2604.11798v1
• Date: Mon, 13 Apr 2026 17:58:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.74416
• Title: Budget-Aware Uncertainty for Radiotherapy Segmentation QA Using nnU-Net
• Title（参考訳）: nnU-Netを用いた放射線治療セグメンテーションQAの予算不確実性
• Authors: Ricardo Coimbra Brioso, Lorenzo Mondo, Damiano Dei, Nicola Lambri, Pietro Mancosu, Marta Scorsetti, Daniele Loiacono,
• Abstract要約: 本稿では,nU-Net上に構築された品質保証(QA)フレームワークを提案する。 不確かさの定量化とポストホックキャリブレーションを組み合わせることで、ボクセルワイドの不確実性マップを生成する。 全体として、キャリブレーションと効率的なアンサンブルを統合することは、放射線治療セグメンテーションのための予算対応QAワークフローを実装するための有望な戦略である。
• 参考スコア（独自算出の注目度）: 0.7178174536168246
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate delineation of the Clinical Target Volume (CTV) is essential for radiotherapy planning, yet remains time-consuming and difficult to assess, especially for complex treatments such as Total Marrow and Lymph Node Irradiation (TMLI). While deep learning-based auto-segmentation can reduce workload, safe clinical deployment requires reliable cues indicating where models may be wrong. In this work, we propose a budget-aware uncertainty-driven quality assurance (QA) framework built on nnU-Net, combining uncertainty quantification and post-hoc calibration to produce voxel-wise uncertainty maps (based on predictive entropy) that can guide targeted manual review. We compare temperature scaling (TS), deep ensembles (DE), checkpoint ensembles (CE), and test-time augmentation (TTA), evaluated both individually and in combination on TMLI as a representative use case. Reliability is assessed through ROI-masked calibration metrics and uncertainty--error alignment under realistic revision constraints, summarized as AUC over the top 0-5% most uncertain voxels. Across configurations, segmentation accuracy remains stable, whereas TS substantially improves calibration. Uncertainty-error alignment improves most with calibrated checkpoint-based inference, leading to uncertainty maps that highlight more consistently regions requiring manual edits. Overall, integrating calibration with efficient ensembling seems a promising strategy to implement a budget-aware QA workflow for radiotherapy segmentation.
• Abstract（参考訳）: 放射線治療計画にはCTVの正確な線量決定が不可欠であるが,特にTaltal MarrowやLymph Node Irradiation(TMLI)などの複雑な治療には時間と評価が困難である。 ディープラーニングベースの自動分離は、作業負荷を減らすことができるが、安全な臨床展開には、モデルがどこにあるのかを示す信頼性の高い手がかりが必要である。 本研究では,不確実性定量化とポストホックキャリブレーションを組み合わせた,予算を考慮した不確実性駆動品質保証(QA)フレームワークを提案する。 本研究では,温度スケーリング (TS), ディープアンサンブル (DE), チェックポイントアンサンブル (CE), テスト時間拡張 (TTA) を比較した。 信頼性はROIを基準とした校正基準と不確実性-現実的なリビジョン制約の下でのエラーアライメントを通じて評価され、AUCは最も不確実なボクセルのトップ0-5%で要約されている。 構成全体ではセグメンテーションの精度は安定であり、TSはキャリブレーションを大幅に改善する。 不確実性エラーアライメントは、校正されたチェックポイントベースの推論により、最も改善され、手作業による編集を必要とする領域をより一貫して強調する不確実性マップにつながる。 全体として、キャリブレーションと効率的なアンサンブルを統合することは、放射線治療セグメンテーションのための予算対応QAワークフローを実装するための有望な戦略である。

関連論文リスト

• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Calibrated Bayesian Deep Learning for Explainable Decision Support Systems Based on Medical Imaging [6.826979426009301]
  モデルが予測精度と相関する方法で不確実性を定量化し、臨床医がさらなるレビューのために信頼できないアウトプットを特定できることが不可欠である。 本稿では,ベイズ深層学習に基づく一般化可能な確率的最適化フレームワークを提案する。 特に、信頼性・不確実性境界損失(CUB-Loss)が新しく導入され、高い精度の誤差と低い精度の正確な予測に罰則が課せられる。 提案手法は, 肺炎の自動スクリーニング, 糖尿病性網膜症検出, 皮膚病変の同定という, 3つの異なる医用画像処理課題に対して検証された。
  論文  参考訳（メタデータ） (2026-02-12T14:03:41Z)
• Uncertainty-Aware Online Extrinsic Calibration: A Conformal Prediction Approach [4.683612295430957]
  我々はモンテカルロ・ドロップアウトとコンフォーマル予測を組み合わせた不確実性認識をオンラインキャリブレーションに統合する最初のアプローチを提案する。 本研究では,様々な視覚センサの種類にまたがって有効性を示し,測定値を用いて測定を行い,間隔の効率と信頼性を評価する。 動的環境におけるセンサ融合の堅牢性を大幅に向上させることができるキャリブレーション推定の信頼性に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-01-12T17:24:51Z)
• Word-Sequence Entropy: Towards Uncertainty Estimation in Free-Form Medical Question Answering Applications and Beyond [52.246494389096654]
  本稿ではワードシーケンスエントロピー(WSE)を紹介し,単語レベルとシーケンスレベルの不確実性を校正する手法を提案する。 We compare WSE with six baseline method on five free-form medical QA datasets, using 7 popular large language model (LLMs)。
  論文  参考訳（メタデータ） (2024-02-22T03:46:08Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• 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。