Fugu-MT 論文翻訳(概要): Probabilistic Robustness in Medical Image Classification

論文の概要: Probabilistic Robustness in Medical Image Classification

arxiv url: http://arxiv.org/abs/2607.03797v1
Date: Sat, 04 Jul 2026 09:57:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.723967
Title: Probabilistic Robustness in Medical Image Classification
Title（参考訳）: 医用画像分類における確率的ロバスト性
Abstract要約: MedMNIST v2データセット上で,医用画像分類のための一連の自然汚職設定を構築し,一般的なDLモデルを体系的に評価する。本研究は, DLモデルの信頼性を統計的に評価し, 医用画像への信頼性の高い展開を支援することを目的としている。
参考スコア（独自算出の注目度）: 6.442625096701282
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning (DL) has shown strong performance in medical image classification, but its trustworthy deployment remains challenging in safety-critical clinical settings, where prediction errors under perturbations may lead to severe consequences. Existing studies mainly focus on adversarial robustness (AR) from a worst-case perspective; however, such settings may be less representative of real medical applications. In this work, we investigate probabilistic robustness (PR) as a more practical measure of model trustworthiness. To this end, we construct a set of natural corruption settings for medical image classification and systematically evaluate commonly used DL models on MedMNIST v2 dataset. Our study provides a statistically grounded perspective on assessing the trustworthiness of DL models, thereby supporting their more trustworthy deployment in medical imaging applications.
Abstract（参考訳）: 深層学習(DL)は医用画像分類において高い性能を示してきたが、その信頼性の高い展開は、摂動による予測誤差が深刻な結果をもたらすような安全クリティカルな臨床環境では依然として困難である。既存の研究は主に、最悪の場合の観点から、敵の堅牢性(AR)に焦点を当てているが、そのような設定は実際の医学的応用にはあまり当てはまらないかもしれない。本研究では,確率的堅牢性(PR)をモデル信頼性のより実践的な尺度として検討する。この目的のために、医療画像分類のための一連の自然汚職設定を構築し、MedMNIST v2データセット上でよく使われるDLモデルを体系的に評価する。本研究は, DLモデルの信頼性を統計的に評価し, 医用画像への信頼性の高い展開を支援することを目的としている。

関連論文リスト

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)
A systematic evaluation of uncertainty quantification techniques in deep learning: a case study in photoplethysmography signal analysis [1.6690512882610855]
ディープラーニングモデルは、臨床外の生理的パラメータを継続的に監視するために使用することができる。実践的な測定シナリオに配備された場合、パフォーマンスが悪くなるリスクがあり、負の患者結果につながる。ここでは、2つの臨床関連予測タスクで訓練されたモデルに対して、8つの不確実性(UQ)技術を実装する。
論文参考訳（メタデータ） (2025-10-31T22:54:13Z)
On the Robustness of Medical Vision-Language Models: Are they Truly Generalizable? [0.9626666671366837]
我々は、複数の医療画像データセットに複数の摂動を適用した汚職ベンチマークであるMediMeta-Cを紹介する。本稿では,事前訓練されたMVLMの視覚的エンコーダ適応であるRobustMedCLIPを提案する。
論文参考訳（メタデータ） (2025-05-21T12:08:31Z)
Metrics that matter: Evaluating image quality metrics for medical image generation [48.85783422900129]
本研究は、脳MRIデータを用いて、一般的に使用される非参照画像品質指標を包括的に評価する。本研究は, ノイズ, 分布変化, および臨床的に関係のある不正確さを模倣した形態的変化を含む, 様々な課題に対する計量感度を評価する。
論文参考訳（メタデータ） (2025-05-12T01:57:25Z)
Medical Image Quality Assessment based on Probability of Necessity and Sufficiency [5.242113567322171]
因果推論の概念に基づくMIQAフレームワークを提案する。 PNSは、必要な(常に結果に存在している)機能セットと十分な(結果を保証することができる)機能セットの両方を計測します。
論文参考訳（メタデータ） (2024-10-10T17:01:57Z)
PRECISe : Prototype-Reservation for Explainable Classification under Imbalanced and Scarce-Data Settings [0.0]
PreCISeは,3つの課題すべてに対処するために,簡潔に構築された説明可能な設計モデルである。 PreCISeは、マイノリティクラスへのデータ効率的な一般化において、現在の最先端メソッドよりも優れています。ケーススタディでは、モデルが容易に解釈可能な予測を生成する能力を強調している。
論文参考訳（メタデータ） (2024-08-11T12:05:32Z)
Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
一度展開すると、医用画像解析法は予期せぬ画像の破損やノイズの摂動に直面することが多い。 LaDiNEは、視覚変換器のロバスト性と拡散に基づく生成モデルを組み合わせた、新しいアンサンブル学習手法である。結核胸部X線とメラノーマ皮膚がんデータセットの実験により、LaDiNEは幅広い最先端の方法と比較して優れた性能を発揮することが示された。
論文参考訳（メタデータ） (2023-10-24T15:53:07Z)
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)
A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
論文参考訳（メタデータ） (2022-12-06T05:30:22Z)
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)
On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文参考訳（メタデータ） (2021-06-25T08:32:45Z)
Privacy-preserving medical image analysis [53.4844489668116]
医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
論文参考訳（メタデータ） (2020-12-10T13:56:00Z)

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。