論文の概要: DeferredSeg: A Multi-Expert Deferral Framework for Trustworthy Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.12411v1
• Date: Tue, 14 Apr 2026 07:50:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.323866
• Title: DeferredSeg: A Multi-Expert Deferral Framework for Trustworthy Medical Image Segmentation
• Title（参考訳）: DeferredSeg: 信頼できる医用画像セグメンテーションのための多機能デフェデレーションフレームワーク
• Authors: Qiuyu Tian, Haoliang Sun, Yunshan Wang, Yinghuan Shi, Yilong Yin,
• Abstract要約: DeferredSegは、特定の地域の人間専門家に予測をデファクトする、遅延認識セグメンテーションフレームワークである。 我々は、MedSAMとCENetをベースセグメンタとして、公平な比較のための3つの挑戦的な医療データセット上でDederredSegを評価した。 DeferredSegが一貫してベースラインを上回っていることを示す実験結果が得られた。
• 参考スコア（独自算出の注目度）: 66.24948946364329
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation models based on deep neural networks demonstrate strong generalization for medical image segmentation. However, they often exhibit overconfidence or underconfidence, leading to unreliable confidence scores for segmentation masks, especially in ambiguous regions. This undermines the trustworthiness required for clinical deployment. Motivated by the learning-to-defer (L2D) paradigm, we introduce DeferredSeg, a deferral-aware segmentation framework, i.e., a Human--AI collaboration system that determines whether to defer predictions to human experts in specific regions. DeferredSeg extends the base segmentor with an aggregated deferral predictor and additional routing channels that dynamically route each pixel to either the base segmentor or a human expert. To train this routing efficiently, we introduce a pixel-wise surrogate collaboration loss that supervises deferral decisions. In addition, to preserve spatial coherence within deferral regions, we propose a spatial-coherence loss that enforces smooth deferral masks, thereby enhancing reliability. Beyond single-expert deferral, we further extend the framework to a multi-expert setting by introducing multiple discrepancy experts for collaborative decision-making. To prevent overloading or underutilizing individual experts, we further design a load-balancing penalty that evenly distributes workload across expert branches. We evaluate DeferredSeg on three challenging medical datasets using MedSAM and CENet as the base segmentor for fair comparison. Experimental results show that DeferredSeg consistently outperforms the baseline, demonstrating its effectiveness for trustworthy dense medical segmentation. Moreover, the proposed framework is model-agnostic and can be readily applied to other segmentation architectures.
• Abstract（参考訳）: ディープニューラルネットワークに基づくセグメンテーションモデルは、医用画像セグメンテーションの強力な一般化を示す。 しかし、彼らはしばしば過信または過信を示し、特に曖昧な地域では、セグメンテーションマスクに対する信頼できない信頼スコアをもたらす。 これは、臨床展開に必要な信頼性を損なう。 本研究は,L2D(Learning-to-Defer)パラダイムを取り入れた,人間とAIの協調システムであるDedeerredSegを紹介する。 DeferredSegは、集約された遅延予測器と、各ピクセルをベースセグメンタまたは人間の専門家に動的にルーティングするルーティングチャネルでベースセグメンタを拡張する。 このルーティングを効率的にトレーニングするために、遅延決定を監督する画素ワイズ・サロゲート協調損失を導入する。 また,遅延領域内の空間コヒーレンスを維持するため,スムーズな遅延マスクを施した空間コヒーレンス損失を提案し,信頼性を高める。 単一専門家のdeferral以外にも、協調的な意思決定のために複数の不一致の専門家を導入することで、フレームワークをさらにマルチエキスパート設定に拡張します。 個々の専門家の負荷過多や不使用を防止するため、我々はさらに、ワークロードをエキスパートブランチに均等に分散する負荷分散ペナルティを設計する。 我々は、MedSAMとCENetをベースセグメンタとして、公平な比較のための3つの挑戦的な医療データセット上でDederredSegを評価した。 実験の結果,DederredSegは信頼性の高い高密度医療セグメンテーションの有効性を示した。 さらに、提案するフレームワークはモデルに依存しないため、他のセグメンテーションアーキテクチャにも容易に適用できる。

関連論文リスト

• DiffOSeg: Omni Medical Image Segmentation via Multi-Expert Collaboration Diffusion Model [12.103957886785926]
  可変性は、あいまいな画像境界と多様な臨床専門知識から生じる、医療画像のセグメンテーションにおいて重要な課題である。 コンセンサス駆動と選好駆動のセグメンテーションを同時に実現することを目的とした2段階拡散ベースのフレームワークであるDiffOSegを提案する。 我々のモデルは、すべての評価指標で既存の最先端手法よりも優れています。
  論文  参考訳（メタデータ） (2025-07-17T12:57:27Z)
• MAMBO-NET: Multi-Causal Aware Modeling Backdoor-Intervention Optimization for Medical Image Segmentation Network [51.68708264694361]
  融合因子は、複雑な解剖学的変異や画像のモダリティ制限などの医療画像に影響を与える可能性がある。 医用画像セグメンテーションのためのバックドア・インターベンション最適化ネットワークを提案する。 本手法は, 混乱要因の影響を著しく低減し, セグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2025-05-28T01:40:10Z)
• Inter-Rater Uncertainty Quantification in Medical Image Segmentation via Rater-Specific Bayesian Neural Networks [7.642026462053574]
  医用画像セグメンテーションにおけるレータ間不確実性を推定するための新しいベイズニューラルネットワークアーキテクチャを提案する。 まず,不確実性推定に適したワンエンコーダ・マルチデコーダアーキテクチャを提案する。 次に,新しいアーキテクチャのベイズモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-28T20:52:51Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• 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)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。