論文の概要: Robustness Evaluation of a Foundation Segmentation Model Under Simulated Domain Shifts in Abdominal CT: Implications for Health Digital Twin Deployment

• arxiv url: http://arxiv.org/abs/2604.25685v1
• Date: Tue, 28 Apr 2026 14:16:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.897047
• Title: Robustness Evaluation of a Foundation Segmentation Model Under Simulated Domain Shifts in Abdominal CT: Implications for Health Digital Twin Deployment
• Title（参考訳）: 腹部CTにおけるシミュレート・ドメインシフトによる基礎的セグメンテーションモデルのロバスト性評価 : デジタル双極子展開の意義
• Authors: Sanghati Basu,
• Abstract要約: SAM(Segment Anything Model)のような基盤セグメンテーションモデルは、自然画像全体にわたって強力な一般化を実証している。 腹部CTにおける脾分画に対するSAMの系統的スライスレベルロバストネス検査を,41巻の非空切片1,051を用いて行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation segmentation models such as the Segment Anything Model (SAM) have demonstrated strong generalization across natural images; however, their robustness under clinically realistic medical imaging domain shifts remains insufficiently quantified. We present a systematic slice-level robustness audit of SAM (ViT-B) for spleen segmentation in abdominal CT using 1,051 nonempty slices from 41 volumes in the Medical Segmentation Decathlon. A standardized ground-truth-derived bounding-box protocol was used to isolate encoder robustness from prompt uncertainty. Controlled perturbations simulating inter-scanner variability, including Gaussian noise, blur, contrast scaling, gamma correction, and resolution mismatch, were applied across ten conditions. The clean baseline achieved a mean Dice score of 0.9145 (95% CI: [0.909, 0.919]) with a failure rate of 0.67%. Across all perturbations, the absolute mean ΔDice remained below 0.01. Paired Wilcoxon signed-rank tests with Benjamini-Hochberg false discovery rate correction identified statistically significant but small-magnitude changes under selected conditions, while McNemar analysis showed no significant increase in failure probability. These findings indicate that SAM exhibits stable segmentation behavior under moderate CT domain shifts, supporting its role as a robust foundation baseline for medical image segmentation research. As health digital twins increasingly incorporate foundation segmentation models for anatomical modeling and organ-level monitoring, formal characterization of robustness under real-world imaging variability is a necessary step toward trustworthy deployment.
• Abstract（参考訳）: SAM(Segment Anything Model)のような基礎的なセグメンテーションモデルは、自然画像全体にわたって強力な一般化を証明しているが、臨床的に現実的な医用画像領域シフトによる堅牢性は、まだ十分に定量化されていない。 腹部CTにおける脾郭清のためのSAM (ViT-B) の系統的スライスレベルロバストネス検査を, 医学的セグメンテーション・デスロン41巻から1,051個の非空スライスを用いて行った。 エンコーダのロバスト性を即時不確実性から分離するために、標準化された接地トラス由来のバウンディングボックスプロトコルが使用された。 ガウスノイズ, ブラー, コントラストスケーリング, ガンマ補正, 分解ミスマッチなど, 走査間変動をシミュレートした摂動を10条件で適用した。 クリーンベースラインは平均Diceスコアが0.9145(95% CI: [0.909, 0.919])、失敗率は0.67%だった。 すべての摂動の中で、絶対平均ΔDiceは0.01以下にとどまった。 パード・ウィルコクソンとベンジャミン・ホックバーグの偽発見率の補正により、選択された条件下では統計的に有意だが、小さなマグニチュード変化が認められたが、マクネマー分析では失敗の確率は有意に増加しなかった。 これらの結果から, SAMはCT領域シフトの安定なセグメンテーション行動を示し, 医用画像セグメンテーション研究の強固な基盤線としての役割を担っていることが示唆された。 医療デジタル双生児は、解剖学的モデリングと臓器レベルのモニタリングのための基礎的セグメンテーションモデルをますます取り入れているため、実世界の画像の可変性の下での堅牢性の形式的特徴付けは、信頼できるデプロイメントに向けた必要なステップである。

関連論文リスト

• Anatomy-Aware Unsupervised Detection and Localization of Retinal Abnormalities in Optical Coherence Tomography [4.828654519487229]
  教師なしの異常検出フレームワークは、病変のアノテーションなしで正常な網膜解剖の規範的な分布を学習する。 網膜層を意識した3重項学習と構造的三重項学習を併用し,病的表現と健康的表現を分離する。 Kermany データセット (AUROC: 0.799) では,VAE, VQVAE, VQGAN, f-AnoGAN ベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-04-24T01:09:05Z)
• SHAPE: Structure-aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation for Medical Image Segmentation [7.174788000625294]
  非教師付きドメイン適応(Unsupervised Domain Adaptation, UDA)は、様々な臨床環境に医療セグメンテーションモデルを配置するために不可欠である。 SHAPE(Structure-Aware Hierarchical Unsupervised Domain Adaptation with Plausibility Evaluation)は、グローバルな解剖学的妥当性に対する適応を再構築するフレームワークである。
  論文  参考訳（メタデータ） (2026-03-23T12:25:56Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• Scanner-Agnostic MRI Harmonization via SSIM-Guided Disentanglement [0.0]
  3次元T1強調脳MRIのための画像ベース調和フレームワークを提案する。 このモデルは、生物学的に意味のある特徴を保存するために、構造的類似度指数(SSIM)に基づく識別可能な損失を組み込む。 視覚的比較,ボクセル強度分布,SSIMに基づく測定により,高調波画像が取得設定間で強い整合性を示した。
  論文  参考訳（メタデータ） (2025-10-24T23:19:02Z)
• 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)
• 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)

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。