論文の概要: Principle-Guided Supervision for Interpretable Uncertainty in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2605.10984v1
• Date: Sat, 09 May 2026 05:17:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.276981
• Title: Principle-Guided Supervision for Interpretable Uncertainty in Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションにおける解釈不確実性のための原理誘導型スーパービジョン
• Abstract要約: 我々は,明らかな学習に基づく原則誘導型不確実性監視フレームワーク(PriUS)を開発した。 PriUSは競合セグメンテーション性能を維持しながら、より一貫した不確実性推定を生成する。
• 参考スコア（独自算出の注目度）: 15.512833015785773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncertainty quantification complements model predictions by characterizing their reliability, which is essential for high-stakes decision making such as medical image segmentation. However, most existing methods reduce uncertainty to a scalar confidence estimate, leaving its spatial distribution semantically underconstrained. In this work, we focus on uncertainty interpretability, namely, whether estimated uncertainty behaves in a human-understandable manner with respect to sources of ambiguity. We identify three perception-aligned principles requiring the spatial distribution of uncertainty to reflect: (1) image contrast between structures, (2) severity of image corruption, and (3) geometric complexity in anatomical structures. Accordingly, we develop a principle-guided uncertainty supervision framework (PriUS) based on evidential learning, in which the corresponding supervision objectives are explicitly enforced during training. We further introduce quantitative metrics to measure the consistency between predicted uncertainty and image attributes that induce ambiguity. Experiments on ACDC, ISIC, and WHS datasets showed that, compared with state-of-the-art methods, PriUS produced more consistent uncertainty estimates while maintaining competitive segmentation performance.
• Abstract（参考訳）: 不確かさの定量化は、その信頼性を特徴付けることによってモデル予測を補完する。 しかし,既存の手法の多くは,空間分布のセマンティックな制約を残さずに,スカラー信頼度推定の不確実性を低減している。 本研究では,不確実性(不確実性)の解釈性,すなわち,不確実性(不確実性)が不明瞭性(あいまい性)の源泉に対して人間の理解可能な方法で振る舞うかどうかに焦点をあてる。 本研究では,(1) 構造間の画像コントラスト,(2) 画像劣化の深刻度,(3) 解剖学的構造における幾何学的複雑さといった,不確実性の空間分布を必要とする3つの知覚整合原理を同定する。 そこで,本研究では,実証学習に基づく原則誘導型不確実性監視フレームワーク(PriUS)を開発し,トレーニング中に対応する監視目的を明示的に実施する。 さらに、予測不確実性と曖昧性を引き起こす画像属性との整合性を測定するための定量的指標を導入する。 ACDC、ISIC、WHSのデータセットの実験では、最先端の手法と比較して、PriUSは競合セグメンテーション性能を維持しながら、より一貫した不確実性を推定した。

関連論文リスト

• It depends: Incorporating correlations for joint aleatoric and epistemic uncertainties of high-dimensional output spaces [23.472868138533926]
  不確実性定量化(UQ)は、ディープラーニングモデル予測の信頼性を高める上で重要な役割を果たす。 本稿では,高次元回帰タスクにおける連成性に着目し,不確実性の二重性について論じる。 本稿では,低ランク+対角共分散構造を用いた結合不確かさを近似する新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-08-25T13:08:17Z)
• Beyond Boundary Noise: Aggregated Aleatoric Uncertainty Fails to Capture Presence Ambiguity in 3D Lung Nodule Segmentation [13.944682026264472]
  3次元肺セグメンテーションにおいて,アレタリック不確実性が存在の曖昧さをいかに捉えているかを系統的に評価した。 エントロピーに基づく不確実性マップは境界雑音と一致しているが,不明瞭さに対する識別信号は不十分である。 凍結セグメンテーションで訓練された軽量な教師付き曖昧性ヘッドはエントロピー集約に基づくベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-08-14T12:12:34Z)
• Aligning LLM Uncertainty with Human Disagreement in Subjectivity Analysis [57.78407973423517]
  我々は、モデルが人間の不一致を反映した不確実性を表現しながら予測する不確実性を考慮した主観性分析を提唱する。 この視点を運用するために,二相認識と不確実性アライメントの枠組みを提案する。 3つの主観的分析課題の実験は、DPUAが人間の不一致とモデルの不確実性をよりよく整合させながら、タスク性能を保っていることを示している。
  論文  参考訳（メタデータ） (2026-05-11T11:52:58Z)
• 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)
• Heterogeneous Uncertainty-Guided Composed Image Retrieval with Fine-Grained Probabilistic Learning [49.28548464288051]
  Composed Image Retrieval (CIR)は、参照画像と修正テキストを組み合わせることで、画像検索を可能にする。 CIR三重項の内在ノイズは内在的不確実性を引き起こし、モデルの堅牢性を脅かす。 本稿では,これらの制約を克服するための不確実性誘導(HUG)パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-01-16T16:05:49Z)
• Uncertainty-Supervised Interpretable and Robust Evidential Segmentation [16.64288013782432]
  不確実性の推定は、信頼性を提供するツールとして、医用画像セグメンテーションにおいて広く研究されている。 従来手法では、不確実性推定の効果的な監督が欠如していた。 本研究では,不確実性の学習を指導する自己教師型アプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-21T14:31:47Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Introspective Deep Metric Learning [91.47907685364036]
  本稿では,不確実性を考慮した画像比較のためのイントロスペクティブな深度学習フレームワークを提案する。 提案するIDMLフレームワークは,不確実性モデリングによるディープメトリック学習の性能を向上させる。
  論文  参考訳（メタデータ） (2023-09-11T16:21:13Z)
• Principal Uncertainty Quantification with Spatial Correlation for Image Restoration Problems [35.46703074728443]
  PUQ -- プリンシパル不確実性定量化 -- は、新しい定義であり、不確実性領域の対応する分析である。 経験的後部分布の主成分の周囲の不確実性区間を導出し,あいまいさ領域を形成する。 本手法は, カラー化, 超高分解能, 塗布実験により検証した。
  論文  参考訳（メタデータ） (2023-05-17T11:08:13Z)
• 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)
• CRISP - Reliable Uncertainty Estimation for Medical Image Segmentation [6.197149831796131]
  本研究では,不確実性予測のためのCRISPをContRastive Imageとして提案する。 CRISPはその中核として、有効なセグメンテーションの分布を符号化するジョイント潜在空間を学習するためのコントラスト的手法を実装している。 この共同潜伏空間を用いて予測を数千の潜伏ベクトルと比較し、解剖学的に一貫した不確実性写像を提供する。
  論文  参考訳（メタデータ） (2022-06-15T16:56:58Z)

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。