論文の概要: TwinTrack: Post-hoc Multi-Rater Calibration for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2604.15950v1
• Date: Fri, 17 Apr 2026 11:11:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.886416
• Title: TwinTrack: Post-hoc Multi-Rater Calibration for Medical Image Segmentation
• Title（参考訳）: TwinTrack: 医用画像分割のためのポストホックマルチレータ校正
• Authors: Tristan Kirscher, Alexandra Ertl, Klaus Maier-Hein, Xavier Coubez, Philippe Meyer, Sylvain Faisan,
• Abstract要約: 造影CTにて膵管腺癌 (PDAC) と診断した。 標準的なディープラーニングアプローチは、単一の基礎的真理を前提としており、調整が不十分で解釈が難しい確率的アウトプットを生成する。 実験的な平均人間の反応に対するアンサンブルセグメンテーション確率の時間後キャリブレーションを通じて、このギャップに対処するフレームワークであるTwinTrackを提案する。
• 参考スコア（独自算出の注目度）: 37.01359340333827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pancreatic ductal adenocarcinoma (PDAC) segmentation on contrast-enhanced CT is inherently ambiguous: inter-rater disagreement among experts reflects genuine uncertainty rather than annotation noise. Standard deep learning approaches assume a single ground truth, producing probabilistic outputs that can be poorly calibrated and difficult to interpret under such ambiguity. We present TwinTrack, a framework that addresses this gap through post-hoc calibration of ensemble segmentation probabilities to the empirical mean human response (MHR) -the fraction of expert annotators labeling a voxel as tumor. Calibrated probabilities are thus directly interpretable as the expected proportion of annotators assigning the tumor label, explicitly modeling inter-rater disagreement. The proposed post-hoc calibration procedure is simple and requires only a small multi-rater calibration set. It consistently improves calibration metrics over standard approaches when evaluated on the MICCAI 2025 CURVAS-PDACVI multi-rater benchmark.
• Abstract（参考訳）: 造影CTにおける膵管腺癌 (PDAC) の分画は本質的に曖昧である。 標準的なディープラーニングアプローチは、単一の基礎的真理を仮定し、その曖昧さの下では、キャリブレーションが不十分で解釈が困難である確率的アウトプットを生成する。 我々は,このギャップに対処するフレームワークであるTwinTrackを経験的平均ヒト反応(MHR)に対するアンサンブルセグメンテーション確率の時間後キャリブレーションにより提示する。 したがって、校正された確率は、腫瘍ラベルを割り当てるアノテーターの期待割合として直接解釈され、明示的にラター間不一致をモデル化する。 提案したポストホックキャリブレーション手順は単純で, 小型のマルチレータキャリブレーションセットしか必要としない。 MICCAI 2025 CURVAS-PDACVIマルチレータベンチマークで評価すると、標準アプローチよりもキャリブレーションの指標が一貫して改善される。

関連論文リスト

• EMBC Special Issue: Calibrated Uncertainty for Trustworthy Clinical Gait Analysis Using Probabilistic Multiview Markerless Motion Capture [1.260797434681533]
  ビデオに基づく人間の運動分析は、臨床および研究における運動評価の可能性を秘めている。 本研究では,確率論的多視点マーカーレスモーションキャプチャ法の校正と信頼性を評価する。 確率モデル再構成は不確実性を定量化し、同時に接地構造を計測することなく信頼できない出力を特定できる。
  論文  参考訳（メタデータ） (2026-01-29T23:50:19Z)
• Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning [53.9713678229744]
  MIPL(Multi-instance partial-label Learning)は、インスタンス空間とラベル空間の両方において、不正確な監督の課題に対処する弱い教師付きフレームワークである。 既存のMIPLアプローチは、しばしばキャリブレーションが悪く、信頼性を損なう。 分類精度と校正性能を同時に向上するプラグアンドプレイ校正型曖昧さ損失(CDL)を提案する。
  論文  参考訳（メタデータ） (2025-12-19T16:58:31Z)
• 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)
• Adaptive Set-Mass Calibration with Conformal Prediction [60.47079469141295]
  提案手法は,まず共形予測から始まり,所望のカバレッジを与えるラベルの集合を得る。 次に、共形制約に合わせて、質量正規化と温度スケーリングに基づくルールの2つの簡単なポストホックキャリブレータをインスタンス化する。
  論文  参考訳（メタデータ） (2025-05-21T12:18:15Z)
• 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)
• Boundary-weighted logit consistency improves calibration of segmentation networks [6.980357450216633]
  また,ロジット整合性は,不明瞭なラベルを持つ画素における過信予測を防止し,空間的に変化する正則化器として機能することを示す。 この正則化器の境界重み付き拡張は、前立腺と心臓のMRIセグメンテーションの最先端のキャリブレーションを提供する。
  論文  参考訳（メタデータ） (2023-07-16T22:13:28Z)
• 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)
• MBCT: Tree-Based Feature-Aware Binning for Individual Uncertainty Calibration [45.440008446506404]
  我々はMultiple Boosting Trees (MBCT)と呼ばれる特徴認識型バイナリフレームワークを提案する。 MBCTは非単調であり,学習可能なビンニング方式と個々のキャリブレーションにより,順序精度が向上する可能性がある。 その結果,本手法はキャリブレーション誤差と順序精度の両方で競合するモデル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） (2022-02-09T08:59:16Z)
• Making Heads and Tails of Models with Marginal Calibration for Sparse Tagsets [11.072557973995528]
  提案手法は,2つの既存のシークエンスタグの限界分布におけるキャリブレーション誤差を補正する手法である。 また、異なる周波数帯域におけるキャリブレーション誤差を測定する方法として、タグ周波数グルーピング(TFG)を提案する。
  論文  参考訳（メタデータ） (2021-09-15T18:00:37Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)

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。