論文の概要: Exploring Entropy-based Active Learning for Fair Brain Segmentation

• arxiv url: http://arxiv.org/abs/2605.01706v1
• Date: Sun, 03 May 2026 04:21:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.895591
• Title: Exploring Entropy-based Active Learning for Fair Brain Segmentation
• Title（参考訳）: フェアブレインセグメンテーションのためのエントロピーに基づくアクティブラーニングの探索
• Authors: Ghazal Danaee, Mélanie Gaillochet, Christian Desrosiers, Herve Lombaert, Sylvain Bouix,
• Abstract要約: アクティブラーニングは、医用画像のセグメンテーションに伴う禁止費用を削減する重要な戦略として現れてきた。 本稿では,現在グループ固有の性能推定値に基づいて不確実性を変調する,重み付きエントロピー選択戦略を備えたフェアネス対応能動学習フレームワークを提案する。 実験により,本手法は,ランダムサンプリングや標準不確実性サンプリングと比較して,グループ間の性能格差を著しく低減することが示された。
• 参考スコア（独自算出の注目度）: 9.205575630735263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Active learning (AL) has emerged as a crucial strategy for reducing the prohibitive costs associated with medical image segmentation. However, standard uncertainty-based AL methods typically focus on maximizing performance metrics, ignoring performance disparities or fairness across groups with sensitive attributes. While fair active learning has been explored in classification tasks, its intersection with medical image segmentation remains unaddressed. In this work, we introduced a fairness-aware active learning framework with a Weighted Entropy selection strategy that modulates uncertainty based on current group-specific performance estimates on the labeled set. To decouple true epistemic uncertainty from anatomical volume variances, we further utilized a masked, scaled entropy restricted to the region of interest. The framework was evaluated on synthetic T1-weighted brain MRIs with controlled left caudate bias in both strong and weak bias settings. A 3D U-Net was trained to segment the left caudate under several AL strategies, starting from both demographically balanced and strongly imbalanced initial labeled sets. Experiments demonstrated that our method markedly reduces performance disparities between groups compared to random sampling and standard uncertainty sampling. By prioritizing poorly segmented subgroups during the AL cycles, our method consistently achieved the highest equity-scaled performance and reduced the disparity metric by 75% (strong bias) and 86% (weak bias) relative to standard entropy at the final budget. Overall, this work is among the first studies on fair AL for medical image segmentation, offering an efficient strategy to train more equitable models in resource-constrained environments.
• Abstract（参考訳）: アクティブラーニング(AL)は,医用画像のセグメンテーションに伴う禁忌費用を削減するための重要な戦略である。 しかし、標準的な不確実性ベースのALメソッドは通常、パフォーマンス指標の最大化、パフォーマンスの相違や、センシティブな属性を持つグループ間の公平さを無視している。 分類作業において、公正なアクティブラーニングが研究されているが、医用画像のセグメンテーションとの交差は未解決のままである。 本研究では,現在グループ固有の性能推定値に基づいて不確実性を変調する重み付きエントロピー選択戦略を用いたフェアネス対応能動学習フレームワークを提案する。 解剖学的体積変動から真性てんかんの不確かさを分離するために, 興味領域に限定したマスク付きスケールエントロピーを更に利用した。 この枠組みは、強いバイアスと弱いバイアスの両方で左因果バイアスを制御した合成T1強調脳MRIで評価された。 3D U-Netは、階層的バランスと強いバランスの取れない初期ラベルセットから始まり、左因果関係をいくつかのAL戦略に区分するように訓練された。 実験により,本手法は,ランダムサンプリングや標準不確実性サンプリングと比較して,グループ間の性能格差を著しく低減することが示された。 本手法は,ALサイクルの低セグメンテーションサブグループを優先することにより,最高株価スケールのパフォーマンスを継続的に達成し,最終予算における標準エントロピーに対して75%(強みバイアス),86%(弱みバイアス)の相違指標を低減した。 全体として、この研究は医療画像セグメンテーションのためのフェアALに関する最初の研究であり、資源制約のある環境でより公平なモデルを訓練するための効率的な戦略を提供する。

関連論文リスト

• Addressing Bias in VLMs for Glaucoma Detection Without Protected Attribute Supervision [6.381985108365988]
  本研究は網膜基底画像からの緑内障の自動スクリーニングに焦点を当てた。 画像-画像埋め込みの教師なしクラスタリングを通じてプロキシサブグループを推論する属性非依存型デバイアス手法を提案する。 EOD (Equalized Odds Distance)、ES AUC (Equalized Subgroup AUC)、グループワイズAUC (Groupwise AUC) を報告し, 以下の結果を得た。
  論文  参考訳（メタデータ） (2025-08-12T17:07:58Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• How does promoting the minority fraction affect generalization? A theoretical study of the one-hidden-layer neural network on group imbalance [64.1656365676171]
  グループ不均衡は経験的リスク最小化において既知の問題である。 本稿では,個々の集団がサンプルの複雑さ,収束率,平均および群レベルの試験性能に与える影響を定量化する。
  論文  参考訳（メタデータ） (2024-03-12T04:38:05Z)
• Bias Amplification Enhances Minority Group Performance [10.380812738348899]
  本稿では,新しい2段階学習アルゴリズムであるBAMを提案する。 第1段階では、各トレーニングサンプルに対して学習可能な補助変数を導入することにより、バイアス増幅方式を用いてモデルを訓練する。 第2段階では、バイアス増幅モデルが誤分類したサンプルを重み付けし、その後、再重み付けされたデータセット上で同じモデルをトレーニングし続けます。
  論文  参考訳（メタデータ） (2023-09-13T04:40:08Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Rethinking Sampling Strategies for Unsupervised Person Re-identification [59.47536050785886]
  我々は,同じフレームワーク下での各種サンプリング戦略と損失関数のパフォーマンス差の理由を解析した。 グループサンプリングを提案し、同じクラスのサンプルをグループに集める。 Market-1501、DukeMTMC-reID、MSMT17の実験は、グループサンプリングが最先端の手法に匹敵する性能を達成することを示した。
  論文  参考訳（メタデータ） (2021-07-07T05:39:58Z)

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。