論文の概要: Uncertainty-Guided Dual-Domain Learning for Reliable Skin Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2605.09600v1
- Date: Sun, 10 May 2026 15:20:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.327887
- Title: Uncertainty-Guided Dual-Domain Learning for Reliable Skin Lesion Segmentation
- Title（参考訳）: 信頼度の高い皮膚病変分割のための不確かさ誘導型デュアルドメイン学習
- Authors: Duwei Dai, Caixia Dong, Guowei Dai, Qingsen Yan, Qin Zhang, Fan Liu, Pengyu Ren, Guangyao Kong, Wei Zeng,
- Abstract要約: 皮膚病変分類のためのUncertainty-Guided Dual-Domain Network (UGDD-Net)を提案する。
UGDD-Netは、不確実性をアクティブな誘導信号に変換する新しい"Glance-and-Gaze"メカニズムを導入した。
我々の不確実性マップは、熟練したサーバ間変動と一致し、人間と機械の協調診断に堅牢な解釈性を提供する。
- 参考スコア（独自算出の注目度）: 22.691374446857463
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate skin lesion segmentation is vital for dermoscopic Computer-Aided Diagnosis. However, visual ambiguity and morphological irregularity often defeat spatial modeling, necessitating multi-domain architectures. Existing paradigms frequently overlook the active use of prediction uncertainty, leading to deterministic frameworks that suffer from blind cross-domain fusion and overfit to label noise. To address these issues, we propose the Uncertainty-Guided Dual-Domain Network (UGDD-Net). UGDD-Net introduces a novel "Glance-and-Gaze" mechanism to transform uncertainty into an active guiding signal. Specifically, the Uncertainty-Guided Bi-directional Feature Fusion (UGBFF) module uses pixel-level uncertainty to modulate spatial-spectral interactions. The Uncertainty-Guided Graph Refinement (UGGR) module constructs a topology-aware graph to propagate reliable semantic consensus and refine uncertain nodes. Finally, the Uncertainty-Guided Margin-Adaptive Loss (UGML) enforces strict constraints on confident pixels while relaxing penalties on uncertain ones to improve statistical calibration. Extensive experiments on ISIC2017, ISIC2018, PH2, and HAM10000 datasets demonstrate that UGDD-Net achieves state-of-the-art performance, especially on "Hard Samples". Our uncertainty maps align with expert inter-observer variability, providing robust interpretability for human-machine collaborative diagnosis.
- Abstract（参考訳）: 皮膚病変の正確なセグメンテーションは、皮膚内視鏡的コンピュータ支援診断に不可欠である。
しかし、視覚的曖昧さと形態的不規則さはしばしば空間モデリングを破り、マルチドメインアーキテクチャを必要とする。
既存のパラダイムは、予測の不確実性の積極的な使用をしばしば見落とし、視覚的なドメイン間の融合に苦しむ決定論的なフレームワークと、ノイズのラベル付けに過度に適合する。
これらの問題に対処するために、不確実性誘導デュアルドメインネットワーク(UGDD-Net)を提案する。
UGDD-Netは、不確実性をアクティブな誘導信号に変換する新しい"Glance-and-Gaze"メカニズムを導入した。
特に、Uncertainty-Guided Bi-directional Feature Fusion (UGBFF)モジュールは、ピクセルレベルの不確実性を利用して空間-スペクトル相互作用を変調する。
Uncertainty-Guided Graph Refinement (UGGR)モジュールは、信頼性のあるセマンティックコンセンサスを伝播し、不確実なノードを精査するトポロジ対応グラフを構築する。
最後に、不確実性誘導マージン適応損失(UGML)は、信頼性のあるピクセルに対して厳格な制約を課し、不確実なピクセルに対する罰則を緩和し、統計的校正を改善する。
ISIC2017、ISIC2018、PH2、HAM10000データセットに関する大規模な実験は、UGDD-Netが最先端のパフォーマンス、特に"ハードサンプル"を達成することを示した。
我々の不確実性マップは、熟練したサーバ間変動と一致し、人間と機械の協調診断に堅牢な解釈性を提供する。
関連論文リスト
- UnGAP: Uncertainty-Guided Affine Prompting for Real-Time Crack Segmentation [16.902729686979303]
UPFM(Uncertainty-Prompted Feature Modulator)は、単に出力ではなく、アクティブな視覚的プロンプトとして、アレタリック不確実性を扱う。
UnGAPは、より優れたセグメンテーション精度とリアルタイムの推論速度のバランスをとる。
論文 参考訳（メタデータ） (2026-05-04T09:18:57Z) - UHR-Net: An Uncertainty-Aware Hypergraph Refinement Network for Medical Image Segmentation [8.273126013629057]
不確実性を考慮したハイパーグラフリファインメントネットワーク(UHR-Net)を提案する。
本研究では,不確実性指向型インスタンス・コントラスト(UO-IC)事前学習戦略を導入する。
第二に、不確実性誘導ハイパーグラフ精細化(UGHR)ブロックを設計し、エントロピーに基づく不確実性マップを粗い確率マップから導出し、ハイパーグラフ精細化を導出する。
論文 参考訳（メタデータ） (2026-04-30T16:38:51Z) - Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection [1.8995711908407733]
本研究では,異常検出のための因果制約付き確率予測フレームワークを提案する。
ディープ・シークエンス・モデリングに先立って、明示的な時間付き因果グラフを統合する。
実験により,提案手法が最先端検出性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-20T09:24:28Z) - Uncertainty Guided Refinement for Fine-Grained Salient Object Detection [35.6505339733396]
我々は、正当性物体検出(SOD)に対する不確実性誘導学習手法を導入する。
我々は、新しい不確実性ガイド型リファインメント注意ネットワーク(UGRAN)を設計する。
7つのベンチマークデータセットの実験は、最先端の方法論よりも提案されたUGRANの方が優れていることを示している。
論文 参考訳（メタデータ） (2025-04-13T17:34:37Z) - A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。
推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。
アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
論文 参考訳（メタデータ） (2025-02-18T22:07:36Z) - 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) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - CRAUM-Net: Contextual Recursive Attention with Uncertainty Modeling for Salient Object Detection [0.0]
マルチスケールのコンテキストアグリゲーション、高度な注意機構、SOD性能向上のための不確実性認識モジュールを統合した新しいフレームワークを提案する。
我々の適応的クロススケールコンテキストモジュールは、再帰的チャネル空間的注意と畳み込みブロック注意を利用して、機能を複数のレベルから効果的に融合する。
ネットワークを堅牢にトレーニングするために,境界感応性とトポロジカル保存損失関数(Boundary IoU,Focal Tversky,Topological Saliency Los)を組み合わせて,ネットワークの信頼性を高める。
論文 参考訳（メタデータ） (2020-06-04T18:33:59Z)
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。