論文の概要: Multi-Rater Calibrated Segmentation Models

• arxiv url: http://arxiv.org/abs/2605.02437v1
• Date: Mon, 04 May 2026 10:35:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.239583
• Title: Multi-Rater Calibrated Segmentation Models
• Title（参考訳）: 多層キャリブレーション・セグメンテーションモデル
• Authors: Meritxell Riera-Marín, Javier García López, Júlia Rodríguez-Comas, Miguel A. González Ballester, Adrian Galdran,
• Abstract要約: 医用画像セグメンテーションモデルの確率的校正は, 日常的な学習問題として, マルチレータの監督を改めることにより改善する。 その結果, オーディナル・アウェア・トレーニングは, セグメンテーション精度を低下させることなく, レータ間合意に関して, キャリブレーションを著しく向上させることがわかった。
• 参考スコア（独自算出の注目度）: 1.1043348234031376
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Objective: Accurate probability estimates are essential for the safe deployment of medical image segmentation models in clinical decision-making. However, modern deep segmentation networks are often poorly calibrated, a problem exacerbated when multiple expert annotations exhibit substantial disagreement. While inter-rater variability is typically treated as noise, it provides valuable information about intrinsic annotation ambiguity that must be reflected in model confidence. Methods: We improve the probabilistic calibration of medical image segmentation models by reformulating multi-rater supervision as an ordinal learning problem. Voxel-wise annotator agreement is treated as an ordered target, linking predictive confidence to the empirical variability in training data. This formulation allows the use of ordinal-aware scoring rules, such as the Ranked Probability Score ordinal loss, combined with a standard binary objective to preserve discriminative performance. Results: We evaluated the proposed approach across four public segmentation benchmarks spanning ophthalmology, histopathology, and thoracic imaging. Calibration was assessed using a multi-rater extension of expected calibration error. Results consistently show that ordinal-aware training yields substantially improved calibration with respect to inter-rater agreement without degrading segmentation accuracy. Conclusions: Treating multi-rater annotations as ordered information provides a principled and architecture-agnostic route to more reliable probabilistic segmentation models.
• Abstract（参考訳）: 目的: 臨床診断における医用画像分割モデルの安全な配置には, 正確な確率推定が不可欠である。 しかし、現代のディープセグメンテーションネットワークは、しばしば校正が不十分であり、複数の専門家アノテーションがかなりの意見の相違を示すと、問題はさらに悪化する。 層間変動は一般的にノイズとして扱われるが、モデル信頼度に反映されなければならない固有のアノテーションの曖昧さに関する貴重な情報を提供する。 方法: 医用画像分割モデルの確率的校正は, 日常的な学習問題として, マルチレータの監督を改めることにより改善する。 ボクセルワイドアノテータ合意は、トレーニングデータにおける経験的変動と予測的信頼をリンクして、順序付けられたターゲットとして扱われる。 この定式化により、ランク付き確率スコアのような順序付きスコアルールを、差別的性能を維持するための標準的な二項目的と組み合わせることができる。 結果: 眼科, 病理組織学, 胸部X線像を対象とし, 4つのパブリックセグメンテーション・ベンチマークで提案したアプローチについて検討した。 キャリブレーションは, 期待キャリブレーション誤差のマルチラタ拡張を用いて評価した。 その結果, オーディナル・アウェア・トレーニングは, セグメンテーション精度を低下させることなく, レータ間合意に関して, キャリブレーションを著しく向上させることがわかった。 結論: 順序づけられた情報としてマルチラタアノテーションを扱うことは、より信頼性の高い確率的セグメンテーションモデルへの原則的かつアーキテクチャに依存しないルートを提供する。

関連論文リスト

• Calibration and Uncertainty for multiRater Volume Assessment in multiorgan Segmentation (CURVAS) challenge results [16.108532056161923]
  深層学習(DL)が医用画像セグメンテーションの主流となっている。 この課題は、より包括的な基盤真理を確立する上で、複数のアノテータが果たす重要な役割を強調している。 我々は,DLモデルが不確実性をどのように扱うか,信頼度推定が真のセグメンテーション性能と一致しているかを評価する。
  論文  参考訳（メタデータ） (2025-05-13T15:45:44Z)
• 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)
• SUPER-Net: Trustworthy Image Segmentation via Uncertainty Propagation in Encoder-Decoder Networks [0.17398560678845076]
  SUPER-Netは、不確実性伝播による信頼できる画像セグメンテーションのためのフレームワークである。 分割された画像と画素単位の不確実性マップの2つの出力を同時に生成する。 以上の結果から, SUPER-Netは最先端モデルよりもロバスト性と精度が優れていた。
  論文  参考訳（メタデータ） (2021-11-10T22:46:05Z)
• Uncertainty Quantification in Medical Image Segmentation with Multi-decoder U-Net [3.961279440272763]
  医用画像のセグメンテーションの不確かさを,教師付き学習方式で複数のアノテーションを用いたセグメンテーション性能の測定により評価する。 複数のデコーダを持つU-Netアーキテクチャを提案し、画像表現を同じエンコーダで符号化し、各アノテーションを参照するセグメンテーションを複数のデコーダで推定する。 提案アーキテクチャはエンドツーエンドでトレーニングされ、予測の不確実性推定を改善することができる。
  論文  参考訳（メタデータ） (2021-09-15T01:46:29Z)

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。