論文の概要: Understanding Model Behavior in Monocular Polyp Sizing

• arxiv url: http://arxiv.org/abs/2605.20461v1
• Date: Tue, 19 May 2026 20:14:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.362175
• Title: Understanding Model Behavior in Monocular Polyp Sizing
• Title（参考訳）: 単分子ポリプサイズにおけるモデル挙動の理解
• Authors: Xinqi Xiong, Andrea Dunn Beltran, Junmyeong Choi, Sarah K. McGill, Marc Niethammer, Roni Sengupta,
• Abstract要約: ポリープサイズの成層化は、監視上の決定を導いており、通常5mm以上の病変は、より近い追跡を必要とする。 複数の公開マルチセンターデータセット、モデルファミリー、患者層別クロスバリデーションにまたがるバイナリポリープサイズ分類の診断監査を行う。 完全スケール情報から潜在的な改善を定量化し、現在の深さ推定と大域キャリブレーションが限られた利得をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 15.960682620266562
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate polyp size stratification guides surveillance decisions, with lesions larger than 5 mm typically requiring closer follow-up. However, monocular colonoscopy lacks a reliable metric reference. We present a diagnostic audit of binary polyp size classification (<=5 mm vs. >5 mm) across multiple public multi-center datasets, model families, and patient-stratified cross-validation. Across architectures and input modalities, including RGB appearance, relative depth, and photometry, model performance is moderately consistent, suggesting reliance on cues correlated with examination behavior rather than true metric scales. By providing ground-truth scale at varying granularities, we quantify the potential improvement from perfect scale information and show that current depth estimation and global calibration offer limited gains. We further demonstrate that segmentation errors under distribution shift eliminate most of this potential, with oracle scale under predicted masks recovering only baseline performance. These results highlight metric scale and mask robustness as two independent bottlenecks and provide reusable evaluation tools such as oracle scale ladders, shortcut partitions, and mask substitution for auditing future polyp sizing pipelines. Our code is publicly accessible at https://github.com/anaxqx/polyp-sizing-audit.
• Abstract（参考訳）: 正確なポリープの大きさの成層化は、監視上の決定を導く。 しかし、単分子大腸内視鏡は信頼性の高い計量基準を欠いている。 複数の公共マルチセンターデータセット,モデルファミリー,患者層別クロスバリデーションにまたがるバイナリポリプサイズ分類(=5 mm vs. >5 mm)の診断監査を行った。 RGBの外観、相対深度、光度測定など、アーキテクチャや入力モダリティ全体にわたって、モデル性能は適度に整合性があり、真の計量尺度ではなく、検査行動と相関するキューに依存することを示唆している。 様々な粒度で地中構造スケールを提供することにより、完全スケール情報から潜在的な改善を定量化し、現在の深度推定と大域キャリブレーションが限られた利得をもたらすことを示す。 さらに,分布シフトによる分節誤差は,予測マスク下でのオラクルスケールがベースライン性能のみを回復するので,この可能性の大部分を排除できることを実証した。 これらの結果は、2つの独立したボトルネックとしてメトリクススケールとマスクロバスト性を強調し、将来のポリプサイズパイプラインを監査するためのオラクルスケールラグ、ショートカットパーティション、マスク置換といった再利用可能な評価ツールを提供する。 私たちのコードはhttps://github.com/anaxqx/polyp-sizing-audit.comで公開されています。

関連論文リスト

• Semantic Segmentation for Histopathology using Learned Regularization based on Global Proportions [36.19647813139097]
  本稿では,大域比から高密度なセグメンテーションを推定する2段階のフレームワークであるVSLP(Label Proportions)について紹介する。 エンド・ツー・エンドのネットワークとは異なり、我々の変分法はフィデリティ・正則化エネルギーを可視化し、より解釈可能なセグメンテーションをもたらす。 既存の教師なしおよび教師なしの手法よりも優れた性能を達成し、2つの公開データセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2026-04-27T11:42:56Z)
• PathGLS: Evaluating Pathology Vision-Language Models without Ground Truth through Multi-Dimensional Consistency [22.13541624406203]
  VLM(Vision-Language Models)は、解釈可能な画像解析、自動レポート、スケーラブルな意思決定支援を可能にすることにより、計算病理学において大きな可能性を秘めている。 このギャップに対処するために,3次元にわたる病理VLMを評価する新しい基準フリー評価フレームワークPathGLSを提案する。 The Experiments on Quilt-1M, TCGA, REG2025, PathMMU and TCGA-Sarcoma datasets showed the superiority of PathGLS。
  論文  参考訳（メタデータ） (2026-03-17T04:25:55Z)
• Sparse Semantic Dimension as a Generalization Certificate for LLMs [53.681678236115836]
  Sparse Semantic Dimension (SSD)は,モデル層上で訓練されたSparse Autoencoder (SAE)のアクティブな特徴語彙から導かれる複雑性尺度である。 我々はGPT-2 Small と Gemma-2B でこの枠組みを検証し、実際のサンプルサイズで非空き証明書を提供することを実証した。
  論文  参考訳（メタデータ） (2026-02-11T21:45:18Z)
• Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
  本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。 また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
  論文  参考訳（メタデータ） (2024-11-04T12:24:33Z)
• Deep Bayesian segmentation for colon polyps: Well-calibrated predictions in medical imaging [0.0]
  我々は,さまざまなベイズニューラルネットワークを用いて,大腸ポリプ画像のセマンティックセグメンテーションを開発する。 その結果、これらのモデルが、この医療データセットのセグメンテーションにおける最先端のパフォーマンスを提供するだけでなく、正確な不確実性の推定値が得られることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T16:13:27Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Mutual Wasserstein Discrepancy Minimization for Sequential Recommendation [82.0801585843835]
  逐次リコメンデーションのためのMutual WasserStein差分最小化MSteinに基づく新しい自己教師型学習フレームワークを提案する。 また,ワッサーシュタイン離散度測定に基づく新しい学習損失を提案する。
  論文  参考訳（メタデータ） (2023-01-28T13:38:48Z)
• GFlowOut: Dropout with Generative Flow Networks [76.59535235717631]
  モンテカルロ・ドロップアウトは近似推論の比較的安価な方法として広く利用されている。 最近の研究は、ドロップアウトマスクを潜伏変数と見なすことができ、変動推論で推測できることを示している。 GFlowOutleveragesは、最近提案されたジェネレーティブフローネットワーク(GFlowNets)の確率的フレームワークを使用して、ドロップアウトマスク上の後部分布を学習する。
  論文  参考訳（メタデータ） (2022-10-24T03:00:01Z)
• FCN-Transformer Feature Fusion for Polyp Segmentation [12.62213319797323]
  大腸内視鏡は大腸癌の早期発見のための金標準法として広く認められている。 大腸内視鏡画像におけるポリープのマニュアルセグメンテーションは時間を要する。 ポリプセグメンテーションの自動化におけるディープラーニングの利用が重要になっている。
  論文  参考訳（メタデータ） (2022-08-17T15:31:06Z)

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。