論文の概要: EnTrust: Modeling Inter-Modal Conflict for Trustworthy Multimodal Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2606.21384v1
• Date: Fri, 19 Jun 2026 12:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 13:52:13.068215
• Title: EnTrust: Modeling Inter-Modal Conflict for Trustworthy Multimodal Medical Image Analysis
• Title（参考訳）: EnTrust: 信頼できるマルチモーダル・メディカル・イメージ分析のためのモーダル・コンフリクトのモデル化
• Authors: Dwarikanath Mahapatra, Abhijit Das, Behzad Bozorgtabar, Zongyuan Ge, Sudipta Roy, Deepak Nayak, Mauricio Reyes, Imran Razzak,
• Abstract要約: EnTrustは、モーダル間紛争を予測の不確実性の主要な原因として扱うフレームワークである。 最強のベースラインに比べてキャリブレーション誤差を40%削減しつつ、最先端のセグメンテーション精度を実現する。
• 参考スコア（独自算出の注目度）: 41.67522319355107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal medical imaging fuses complementary anatomical and functional information, yet modalities frequently disagree in pathologically heterogeneous regions. Current segmentation models handle this in one of two inadequate ways: deterministic fusion that averages away disagreement, or post-hoc uncertainty estimation decoupled from the fusion process that produces it. Both obscure the clinically critical question: why is this prediction unreliable? We present EnTrust, a framework that treats inter-modal conflict as the primary source of predictive uncertainty. Our EnFuse module decomposes multimodal features into three disentangled components: shared anatomical consensus (F_c), modality-specific cues (F_{u,m}), and spatially localized conflict signals (F_{cf}), with independence enforced via a cross-covariance objective. This structured decomposition conditions SegDiff, a diffusion-based generative segmentation model whose sampled hypotheses diverge specifically in regions of modal disagreement. TrustMap then translates this hypothesis divergence into calibrated, pixel-wise uncertainty using ensemble entropy, conflict-guided perturbation probing, and a learned calibration head, enabling clinicians to understand not only where predictions are uncertain, but why. Across four benchmarks spanning brain, cardiac, lesion, and oncology domains, EnTrust achieves state-of-the-art segmentation accuracy while reducing calibration error by 40% compared to the strongest baseline. Notably, it outperforms 5x deep ensembles using a single model at roughly half the memory footprint. Code and checkpoints are available at https://github.com/GenMI-Lab/EnTrust.git.
• Abstract（参考訳）: マルチモーダル・メディカル・イメージングは相補的解剖学的および機能的情報を融合するが、病理学的に不均一な領域ではモダリティがしばしば一致しない。 現在のセグメンテーションモデルは、不一致を平均化する決定論的融合(deterministic fusion)またはそれを生成する融合プロセスから分離されたポストホック不確実性推定(post-hoc uncertainty estimation)という2つの不適切な方法の1つでこれを処理している。 なぜこの予測が信頼できないのか? 本稿では,モーダル間紛争を予測の不確実性の主要な原因とするフレームワークであるEnTrustを紹介する。 我々のEnFuseモジュールは,マルチモーダル特徴を,共有解剖学的コンセンサス(F_c),モダリティ特異的キュー(F_{u,m}),空間的局所化コンフリクト信号(F_{cf})の3つの不整合成分に分解する。 この構造的分解条件は拡散に基づく生成セグメンテーションモデルであるSegDiff(英語版)であり、サンプル仮説は特に様相不一致の領域で分岐する。 TrustMapは、この仮説を、アンサンブルエントロピー、コンフリクト誘導摂動探索、および学習校正ヘッドを用いて、校正されたピクセル単位の不確実性に変換し、臨床医が予測が不確実な場所だけでなく、なぜかを理解することを可能にする。 脳、心臓、病変、腫瘍の領域にまたがる4つのベンチマークで、EnTrustは最先端のセグメンテーション精度を達成し、キャリブレーション誤差を最強のベースラインと比べて40%削減する。 特に、メモリフットプリントの約半分で単一のモデルを使用して、5倍の深層アンサンブルをパフォーマンスします。 コードとチェックポイントはhttps://github.com/GenMI-Lab/EnTrust.git.comで入手できる。

関連論文リスト

• A Mutual Information Lower Bound for Multimodal Regression Active Learning [9.04041860173466]
  Mutual Information Lower Bound (MI-LB) は、Mixture Network アンサンブルのクローズドフォーム近似である。 我々は,MI-LBがマルチモーダルシステムを備えたベンチマークで評価されたベースラインのすべてに一致または打ち勝つことを示す。
  論文  参考訳（メタデータ） (2026-05-14T14:50:47Z)
• CUPID: A Plug-in Framework for Joint Aleatoric and Epistemic Uncertainty Estimation with a Single Model [1.6855257501750571]
  CUPID (Comprehensive Uncertainty Plug-in estImation moDel) は、ベースモデルの変更や再訓練なしに、動脈とてんかんの不確実性を共同で推定する汎用モジュールである。 CUPIDは分類,回帰,アウト・オブ・ディストリビューション検出など,様々なタスクで評価される。 その結果、CUPIDは、不確実性の起源に関する階層的な洞察を提供しながら、一貫して競争性能を提供することがわかった。
  論文  参考訳（メタデータ） (2026-03-11T13:18:10Z)
• FIVA: Federated Inverse Variance Averaging for Universal CT Segmentation with Uncertainty Estimation [4.544160712377809]
  本研究は,多様な腹部CTデータセットにまたがる普遍的なセグメンテーションを実現するための,新しいフェデレーション学習手法を提案する。 提案手法はモデル重みから不確かさを伝搬することにより予測の不確かさを定量化する。 実験により, フェデレーションアグリゲーションと不確実性重み付け推論の品質向上に本手法の有効性が示された。
  論文  参考訳（メタデータ） (2025-08-08T11:34:01Z)
• Disentangling Doubt in Deep Causal AI [0.0]
  本稿では,予測分散を表現の不確実性に分割する深層ツインネットワークモデルのためのモンテカルロ・ドロップアウトフレームワークを提案する。 3つの共シフト状態の中で、我々の間隔はよく校正され、sigma_rep2 + sigma_pred2 sigma_tot2を満たす。 このモジュールレベルの分解は、深い因果効果モデルにおける不確実性源を検出し、解釈するための実用的な診断を提供する。
  論文  参考訳（メタデータ） (2025-07-04T14:48:51Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• SUPER-Net: Trustworthy Image Segmentation via Uncertainty Propagation in Encoder-Decoder Networks [0.17398560678845076]
  SUPER-Netは、不確実性伝播による信頼できる画像セグメンテーションのためのフレームワークである。 分割された画像と画素単位の不確実性マップの2つの出力を同時に生成する。 以上の結果から, SUPER-Netは最先端モデルよりもロバスト性と精度が優れていた。
  論文  参考訳（メタデータ） (2021-11-10T22:46:05Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。