論文の概要: Confidence is Not Reliability: Rethinking MC Dropout in Brain Tumour Segmentation

• arxiv url: http://arxiv.org/abs/2606.19300v1
• Date: Wed, 17 Jun 2026 17:24:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.287133
• Title: Confidence is Not Reliability: Rethinking MC Dropout in Brain Tumour Segmentation
• Title（参考訳）: 信頼性は信頼性ではない:脳腫瘍切除におけるMCドロップアウトの再考
• Authors: Xin Ci Wong, Duygu Sarikaya, Kieran Zucker, Marc De Kamps, Nishant Ravikumar,
• Abstract要約: 治療クリティカルなサブリージョンで静かに失敗するセグメンテーションモデルは、患者の安全リスクを表す。 モンテカルロ(MC)Dropoutによるボクセルレベルの不確実性評価は,セグメンテーション誤差を確実に識別できるかどうかを問う。 我々は、高性能プレトレーニング済みSegResNetと、残留ユニットを持つローカルトレーニングされたUNetを評価する。
• 参考スコア（独自算出の注目度）: 2.104759809264928
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Glioma segmentation in multiparametric MRI is a critical component of treatment planning. A segmentation model that fails silently on treatment-critical sub-regions represents a patient safety risk that overlap-based metrics such as Dice scores cannot expose. We ask whether voxel-level uncertainty estimation via Monte Carlo (MC) Dropout can reliably identify segmentation errors in clinically critical sub-regions, and whether calibration failure modes are detectable from standard reporting metrics alone. In an empirical two-model case study on 126 BraTS21 patients, we evaluate a high-performance pretrained SegResNet and a locally trained UNet with residual units (UNet-Res). MC dropout preserved segmentation accuracy ($|Δ\text{Dice}|$ $<0.01$) while achieving strong uncertainty-error alignment (AUROC for entropy (H) $\approx$0.97), indicating uncertainty correctly ranks erroneous voxels above correct ones. Entropy-based patient stratification identified a high-uncertainty subgroup with substantially lower segmentation performance (median whole-tumour Dice $0.835$ vs. $0.925$), supporting uncertainty as a practical triage signal. However, global alignment can mask important region-specific differences. Despite similar AUROC, UNet-Res exhibited near-zero enhancing tumour entropy ($0.054$) and Expected Calibration Error (ECE) of $0.915$, with a Dice of only $0.714$, indicating severely miscalibrated confidence on the most clinically critical sub-region, a failure mode invisible to standard Dice and AUROC reporting. These findings demonstrate that strong uncertainty-error alignment is necessary but insufficient for clinical safety: sub-region-specific calibration assessment must accompany AUROC evaluation when selecting models for clinical deployment.
• Abstract（参考訳）: マルチパラメトリックMRIにおけるグリオーマセグメンテーションは治療計画の重要な構成要素である。 治療クリティカルなサブリージョンで静かに失敗するセグメンテーションモデルは、Diceスコアのような重複ベースのメトリクスが公開できない患者の安全リスクを示しています。 我々は,モンテカルロ(MC)Dropoutによるボクセルレベルの不確実性評価が臨床的に重要なサブリージョンにおけるセグメンテーションエラーを確実に特定できるのか,またキャリブレーション障害モードが標準報告指標のみから検出できるのかを問う。 126例のBraTS21患者を対象とした実証的2モデルケーススタディとして, 高性能プレトレーニング済みSegResNetと, 残留ユニット(UNet-Res)を用いた局所訓練UNetを評価した。 MCドロップアウトはセグメンテーション精度(|Δ\text{Dice}|$<0.01$)を維持し、強い不確実性エラーアライメント(AUROC for entropy (H) $\approx$0.97)を実現した。 Entropy-based patient stratification, a high-uncertainty subgroup with significantly lower segmentation performance (median whole-tumour Dice $0.835$ vs. $0.925$)。 しかし、グローバルアライメントは、重要な地域固有の違いを隠蔽することができる。 類似のAUROCにも拘わらず、UNet-Resは腫瘍エントロピー(0.054ドル)と期待キャリブレーションエラー(ECE)が0.915ドルで、Diceはわずか0.714ドルであった。 これらの結果から, 臨床安全には強い不確実性・エラーアライメントが不可欠であるが不十分であることが示唆された。

関連論文リスト

• Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
  既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。 テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
  論文  参考訳（メタデータ） (2026-06-17T08:10:30Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• ClinNet: Evidential Ordinal Regression with Bilateral Asymmetry and Prototype Memory for Knee Osteoarthritis Grading [3.337151338735509]
  X線画像に基づく膝関節症(KOA)の診断は極めて難しい課題である。 本研究では, KOA グレーディングに対処する信頼性の高い新しいフレームワーク ClinNet を提案する。
  論文  参考訳（メタデータ） (2026-01-24T05:49:41Z)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• An Empirical Study on MC Dropout--Based Uncertainty--Error Correlation in 2D Brain Tumor Segmentation [0.0]
  本研究は2次元脳腫瘍MRIにおけるMC Dropoutに基づく不確実性とセグメンテーション誤差の関係を実験的に検討した。 MC Dropoutの不確実性は境界誤差のローカライゼーションに限定的な手段を提供することを示している。
  論文  参考訳（メタデータ） (2025-10-17T11:19:44Z)
• Uncovering Overconfident Failures in CXR Models via Augmentation-Sensitivity Risk Scoring [1.9837702647603577]
  胸部X線写真(CXR)症例を同定するために,ASRS(Augmentation-sensitive risk score)フレームワークを提案する。 ASRSのスコアは、サンプルを安定四成分に成層化し、非常に敏感なケースではリコールがかなり低い。 ASRSは、選択的な予測と臨床レビューのためのラベルなしの手段を提供し、医療AIの公正性と安全性を改善している。
  論文  参考訳（メタデータ） (2025-10-02T05:15:40Z)
• 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。