論文の概要: Harmonized Feature Conditioning and Frequency-Prompt Personalization for Multi-Rater Medical Segmentation
- arxiv url: http://arxiv.org/abs/2605.08210v1
- Date: Wed, 06 May 2026 09:13:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.46353
- Title: Harmonized Feature Conditioning and Frequency-Prompt Personalization for Multi-Rater Medical Segmentation
- Title（参考訳）: マルチレータ・メディカルセグメンテーションにおける高調波特徴条件と周波数プロンプトパーソナライゼーション
- Abstract要約: マルチラター画像分割は、臨床解釈の本質的なあいまいさを捉えている。
本稿では,真のアノテータの可変性から取得したアーティファクトを分離する,調和した確率的フレームワークを提案する。
軽量ハーモナイザネットワークは、スキャナ固有のアーティファクトを暗黙的にモデル化し、潜在表現を標準化するための動的な特徴変調を実行する。
- 参考スコア（独自算出の注目度）: 4.894018780140715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-rater medical image segmentation captures the inherent ambiguity of clinical interpretation, where diagnostic boundaries vary across experts and imaging devices. Existing approaches often reduce this diversity to consensus labels or treat rater differences as noise, resulting in overconfident and poorly calibrated models. We propose a harmonized probabilistic framework that disentangles acquisition artifacts from genuine annotator variability through adaptive feature conditioning and frequency-domain personalization. A lightweight Harmonizer Network implicitly models scanner-specific artifacts and performs dynamic feature modulation to standardize latent representations, ensuring that uncertainty reflects anatomy rather than noise. To represent rater-specific styles, we introduce a novel High-Frequency Prompt Modules that operate in the spectral domain to encode annotator-dependent boundary precision and textural sensitivity. These prompts adaptively modulate harmonized features to produce personalized yet anatomically consistent segmentations. Furthermore, a Generalized Energy Distance based regularization aligns the generative distribution with empirical annotation variability, promoting diversity where experts disagree and consensus where they converge. Experiments on LIDC-IDRI and NPC-170 show SOTA aggregated and individualized segmentation, with notable GED reductions and improved Dice scores, especially on noisy cases. Beyond accuracy, the model exhibits clinically meaningful uncertainty. Confidence rises in agreement regions and declines in ambiguous areas, supporting its use as a reliable and interpretable tool for multi-expert clinical workflows.
- Abstract（参考訳）: マルチラター医療画像セグメント化は、臨床解釈の本質的な曖昧さを捉え、診断の境界は専門家や撮像装置によって異なる。
既存のアプローチでは、この多様性をコンセンサスラベルに還元したり、レーダの違いをノイズとして扱うことがあり、過度に信頼され、校正が不十分なモデルをもたらす。
本稿では,適応的特徴条件付けと周波数領域のパーソナライゼーションにより,取得したアーティファクトを真のアノテータ変数から切り離すための調和した確率的フレームワークを提案する。
軽量ハーモナイザネットワークは、スキャナ固有のアーティファクトを暗黙的にモデル化し、遅延表現を標準化する動的な特徴変調を実行する。
本稿では,スペクトル領域で動作し,アノテータ依存境界精度とテクスチャ感度を符号化する新しい高周波プロンプトモジュールを提案する。
これらのプロンプトは適応的に調和した特徴を変調し、パーソナライズされながら解剖学的に一貫したセグメンテーションを生成する。
さらに、一般化されたエネルギー距離に基づく正規化は、生成的分布を経験的アノテーションの多様性と整合させ、専門家が意見が一致しないような多様性を促進する。
LIDC-IDRI と NPC-170 の実験では,SOTA の集積と個別セグメンテーションが認められた。
精度を超えて、このモデルは臨床的に意味のある不確実性を示す。
信頼度は、合意された領域で上昇し、曖昧な領域で低下し、多専門臨床ワークフローの信頼性と解釈可能なツールとしての使用をサポートする。
関連論文リスト
- AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。
ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。
実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-02T13:30:54Z) - Multi-Rater Calibrated Segmentation Models [1.1043348234031376]
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。
論文 参考訳（メタデータ） (2026-05-04T10:35:34Z) - Green Shielding: A User-Centric Approach Towards Trustworthy AI [19.485991712624095]
Green Shieldingはエビデンスベースのデプロイメントガイダンスを構築するための,ユーザ中心のアジェンダだ。
HealthCareMagic-Diagnosis による医療診断における Green Shielding のインスタンス化
ここでは医療診断においてインスタンス化されているが、アジェンダは他の意思決定支援設定やエージェントAIシステムに自然に拡張されている。
論文 参考訳（メタデータ） (2026-04-27T17:04:17Z) - Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。
対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。
StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-04-14T02:37:46Z) - Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。
モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。
この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
論文 参考訳（メタデータ） (2026-04-13T03:59:54Z) - Learning Semantic Directions for Feature Augmentation in Domain-Generalized Medical Segmentation [9.669116640409403]
医用画像分割に適した領域一般化フレームワークを提案する。
提案手法は,ドメイン統計に導かれる暗黙的特徴摂動を導入することにより,ドメイン固有の変動に対する堅牢性を向上させる。
私たちのフレームワークは、既存のドメインの一般化アプローチを一貫して上回ります。
論文 参考訳（メタデータ） (2025-07-31T08:14:26Z) - Radiomic fingerprints for knee MR images assessment [39.11295870085984]
既存の放射線学的アプローチでは、放射線学的特徴の固定セットを使用し、人口レベルで選択され、すべての患者に均一に適用される。
これらのシグネチャは解釈可能であるが、個々の病理学的変異を表現するには制約が多すぎることが多い。
DLモデルにより選択された各患者に対して放射線特徴セット(指紋)を動的に構築する新しい放射線指紋フレームワークを提案する。
既存の放射線検査と異なり, 患者毎の指紋は, 大型放射線検査プールの特徴的関連を予測し, 患者ごとに臨床症状を予測できるもののみを選択することにより, 患者毎の指紋を抽出する。
論文 参考訳（メタデータ） (2025-06-25T10:39:22Z) - Structure-Accurate Medical Image Translation via Dynamic Frequency Balance and Knowledge Guidance [60.33892654669606]
拡散モデルは,必要な医用画像を合成するための強力な戦略である。
既存のアプローチはまだ、高周波情報の過度な適合による解剖学的構造歪みの問題に悩まされている。
本稿では,動的周波数バランスと知識指導に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2025-04-13T05:48:13Z) - Evidential Calibrated Uncertainty-Guided Interactive Segmentation paradigm for Ultrasound Images [8.010602776500237]
Evidential Uncertainty-Guided Interactive (EUGIS) は、超音波画像セグメンテーションの明確な不確実性推定に基づくエンドツーエンドの対話的セグメンテーションパラダイムである。
提案手法は, 高度に訓練された放射線学者の対話行動のシミュレーションを効果的に行うことができ, サンプリング対象度を高めつつ, 必要なプロンプトやイテレーションの数を削減できる。
論文 参考訳（メタデータ） (2025-01-02T05:41:25Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワーク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） (2023-04-10T17:58:22Z) - 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。