論文の概要: Quantification of Uncertainty with Adversarial Models in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2606.18860v1
• Date: Wed, 17 Jun 2026 09:42:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.092917
• Title: Quantification of Uncertainty with Adversarial Models 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逆モデルによる不確かさの定量化
• Authors: Hana Jebril, Thomas Pinetz, Günter Klambauer, Hrvoje Bogunović,
• Abstract要約: 本稿では, 対向探索を用いたポストホックフレームワーク QUAM-SM を提案し, 「アドリアリフィラブル」 画素を同定する。 予測不安定を顕在化する摂動を積極的に探すことにより,決定がフリップに対して最も脆弱な領域に注目する。 複数の専門家アノテーションを持つ2つの公開データセットの実験は、QUIM-SMが標準および最近の不確実性推定アプローチよりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 5.9165058427687045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable pixel-level uncertainty quantification holds the potential to transform clinical workflows by enabling high-fidelity longitudinal monitoring and distinguishing true pathological changes from artifacts. Ideally, these models provide the stability required for critical treatment planning and surgical intervention. However, standard deep learning models often suffer from miscalibration, yielding overconfident predictions that mask underlying vulnerabilities at subtle pathological boundaries. To address this, we propose QUAM-SM, a post-hoc framework using targeted adversarial search to identify "adversarially fragile" pixels. By actively seeking perturbations that expose predictive instability, our method highlights regions where decisions are most vulnerable to being flipped. Importantly, the framework disentangles epistemic uncertainty from aleatoric uncertainty. Experiments on two public datasets with multiple expert annotations demonstrate that QUAM-SM outperforms both standard and recent uncertainty estimation approaches in terms of reliability and boundary sensitivity. Code is available at https://github.com/HanaJebril/quam_sm
• Abstract（参考訳）: 信頼性の高いピクセルレベルの不確実性定量化は、高忠実度経時モニタリングを可能にし、アーティファクトから真の病理学的変化を区別することで、臨床ワークフローを変換する可能性を持っている。 理想的には、これらのモデルは重要な治療計画と外科的介入に必要な安定性を提供する。 しかし、標準的なディープラーニングモデルは、しばしば誤校正に悩まされ、微妙な病理学的境界における脆弱性を隠蔽する自信過剰な予測をもたらす。 この問題に対処するために,ターゲットとした対向探索を用いたポストホックフレームワーク QUAM-SM を提案する。 予測不安定を顕在化する摂動を積極的に探すことにより,決定がフリップに対して最も脆弱な領域に注目する。 重要なことに、このフレームワークは動脈硬化性不確実性からててててんかんの不確実性を取り除いている。 複数の専門家アノテーションを持つ2つの公開データセットの実験により、QUIM-SMは信頼性と境界感度の点で標準および最近の不確実性評価アプローチよりも優れていることが示された。 コードはhttps://github.com/HanaJebril/quam_smで入手できる。

関連論文リスト

• Uncertainty-Guided Dual-Domain Learning for Reliable Skin Lesion Segmentation [22.691374446857463]
  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。
  論文  参考訳（メタデータ） (2026-05-10T15:20:58Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• 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)
• When should we trust the annotation? Selective prediction for molecular structure retrieval from mass spectra [3.2012147865361094]
  臨床代謝学や環境スクリーニングなどの高度な応用では、誤ったアノテーションが深刻な結果をもたらす可能性がある。 我々はMS/MSスペクトルからの分子構造検索のための選択的予測フレームワークを導入する。
  論文  参考訳（メタデータ） (2026-03-11T16:40:50Z)
• CheXmask-U: Quantifying uncertainty in landmark-based anatomical segmentation for X-ray images [2.374361627146023]
  胸部X線上の解剖学的ランドマークに基づくセグメンテーションの不確実性評価について検討した。 我々は, (i) 学習した分布パラメータから直接取得した潜時不確実性と, (ii) 潜時サンプルから複数の出力予測を生成することによって得られた予測不確実性という2つの相補的尺度を導出した。 これらの不確実性信号は,手動の接地構造と比較することにより信頼性の低い予測を識別し,CheXmaskデータセットの分布外検出をサポートすることを実証する。
  論文  参考訳（メタデータ） (2025-12-11T14:50:23Z)
• Benchmarking Uncertainty and its Disentanglement in multi-label Chest X-Ray Classification [11.21639536740362]
  コンボリューション(ResNet)とトランスフォーマー(Vision Transformer)アーキテクチャにおける13の不確実性定量化手法を評価する。 Evidential Deep Learning, HetClass NNs, Deep Deterministic Uncertaintyをマルチラベル設定に拡張する。
  論文  参考訳（メタデータ） (2025-08-06T13:58:17Z)
• Epistemic Uncertainty for Generated Image Detection [107.62647907393377]
  本稿では,創成モデルの時代において重要なセキュリティ問題に対処することを目的とした,てんかん不確実性によるAI生成画像検出のための新しいフレームワークを提案する。 我々の重要な洞察は、トレーニングとテストデータの分布の相違が、機械学習モデルのエピステマティック不確実性空間に顕著に現れていることに起因している。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• 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)
• Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
  統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。 分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。 本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
  論文  参考訳（メタデータ） (2022-07-05T18:01:20Z)

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。