論文の概要: Rethinking Uncertainty in Segmentation: From Estimation to Decision

• arxiv url: http://arxiv.org/abs/2604.13262v1
• Date: Tue, 14 Apr 2026 19:52:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.277383
• Title: Rethinking Uncertainty in Segmentation: From Estimation to Decision
• Title（参考訳）: セグメンテーションの不確かさを再考する: 推定から決定まで
• Authors: Saket Maganti,
• Abstract要約: 医用画像のセグメンテーションでは、不確実性推定がしばしば報告されるが、意思決定を導くために使われることは稀である。 セグメンテーションを2段階のパイプラインとして定式化し、それに続く決定を行い、不確実性のみを最適化することは、達成可能な安全性向上のほとんどを達成できないことを示す。 以上の結果から,最も優れた手法とポリシーの組み合わせは,最大80%のセグメンテーション誤差をわずか25%のdeferralで除去できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In medical image segmentation, uncertainty estimates are often reported but rarely used to guide decisions. We study the missing step: how uncertainty maps are converted into actionable policies such as accepting, flagging, or deferring predictions. We formulate segmentation as a two-stage pipeline, estimation followed by decision, and show that optimizing uncertainty alone fails to capture most of the achievable safety gains. Using retinal vessel segmentation benchmarks (DRIVE, STARE, CHASE_DB1), we evaluate two uncertainty sources (Monte Carlo Dropout and Test-Time Augmentation) combined with three deferral strategies, and introduce a simple confidence-aware deferral rule that prioritizes uncertain and low-confidence predictions. Our results show that the best method and policy combination removes up to 80 percent of segmentation errors at only 25 percent pixel deferral, while achieving strong cross-dataset robustness. We further show that calibration improvements do not translate to better decision quality, highlighting a disconnect between standard uncertainty metrics and real-world utility. These findings suggest that uncertainty should be evaluated based on the decisions it enables, rather than in isolation.
• Abstract（参考訳）: 医用画像のセグメンテーションでは、不確実性推定がしばしば報告されるが、意思決定を導くために使われることは稀である。 我々は、不確実性マップが、受け入れ、フラグ付け、予測の延期といった実行可能なポリシーにどのように変換されるかという、欠落したステップについて研究する。 セグメンテーションを2段階のパイプラインとして定式化し、それに続く決定を行い、不確実性のみを最適化することは、達成可能な安全性向上のほとんどを達成できないことを示す。 網膜血管セグメンテーションベンチマーク(DRIVE, STARE, CHASE_DB1)を用いて,不確実性ソース(Monte Carlo Dropout, Test-Time Augmentation)と3つのdeferral戦略を組み合わせて評価し,不確実性および低信頼性予測を優先する簡易な信頼認識型deferralルールを導入する。 提案手法とポリシーの組み合わせにより,セグメント化誤差の最大80%をわずか25%のdeferralで除去し,強いデータ間ロバスト性を実現した。 さらに,キャリブレーションの改善によって意思決定の質が向上することはなく,標準的な不確実性指標と実世界のユーティリティとの切断が強調される。 これらの結果は、不確実性は単独でではなく、それを可能にする決定に基づいて評価されるべきであることを示唆している。

関連論文リスト

• Uncertainty-Supervised Interpretable and Robust Evidential Segmentation [16.64288013782432]
  不確実性の推定は、信頼性を提供するツールとして、医用画像セグメンテーションにおいて広く研究されている。 従来手法では、不確実性推定の効果的な監督が欠如していた。 本研究では,不確実性の学習を指導する自己教師型アプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-21T14:31:47Z)
• Uncertainty-Driven Reliability: Selective Prediction and Trustworthy Deployment in Modern Machine Learning [1.2183405753834562]
  この論文は、不確実性推定が機械学習(ML)システムの安全性と信頼性を高める方法について考察する。 まず、モデルのトレーニング軌道は、アーキテクチャの変更や損失を伴わずに活用できるような、豊富な不確実性信号を含むことを示す。 本稿では,タスク間で動作し,深層アンサンブルのコストを回避し,最先端の選択的予測性能を実現する軽量なポストホック禁忌手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T02:33:53Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
  本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。 我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-24T23:28:20Z)
• EDUE: Expert Disagreement-Guided One-Pass Uncertainty Estimation for Medical Image Segmentation [1.757276115858037]
  本稿では,医用画像分割のためのエキスパート診断誘導不確実性推定(EDUE)を提案する。 複数のラッカーからの接地構文アノテーションの可変性を活用することにより、トレーニング中のモデルをガイドし、ランダムサンプリングに基づく戦略を取り入れ、校正信頼性を高める。
  論文  参考訳（メタデータ） (2024-03-25T10:13:52Z)
• 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。