論文の概要: TRACE-Seg3D: Counterfactual Context Auditing For Robust 3D Glioma Segmentation Under Institutional Shift

• arxiv url: http://arxiv.org/abs/2607.07038v1
• Date: Wed, 08 Jul 2026 06:15:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.301639
• Title: TRACE-Seg3D: Counterfactual Context Auditing For Robust 3D Glioma Segmentation Under Institutional Shift
• Title（参考訳）: TRACE-Seg3D: 施設シフト下におけるロバスト3次元グリオーマの観察
• Abstract要約: 本稿では,堅牢な3次元医用画像セグメンテーションのためのコンテキスト監査フレームワークTRACE-Seg3Dを提案する。 BraTSとUTSWのグリオーマセグメンテーションベンチマークの実験は、競争力のある分散とクロスドメインのパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 0.005541097066466675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image segmentation models can achieve strong benchmark performance while remaining sensitive to scanner, protocol, and institutional variation. These context shifts alter image appearance without changing the underlying lesion, allowing models to exploit nuisance cues that Dice and HD95 fail to expose. We present TRACE-Seg3D, a counterfactual context auditing framework for robust 3D medical image segmentation. TRACE-Seg3D preserves lesion-relevant evidence and systematically varies imaging context to quantify prediction stability under controlled context shifts. The framework pairs each segmentation with audit evidence for context sensitivity and anatomical plausibility, enabling case-level reliability assessment beyond overlap-based evaluation. Experiments on BraTS and UTSW glioma segmentation benchmarks demonstrate competitive in-distribution and cross-domain performance. TRACE-Seg3D also exposes context-sensitive failure modes missed by conventional metrics. These results establish counterfactual context auditing as a practical route toward transparent and reliable 3D medical image segmentation under distribution shift. Our code is available at https://github.com/danleneurocom/Counterfactual-Representation-Network.
• Abstract（参考訳）: 医用画像セグメンテーションモデルは、スキャナー、プロトコル、制度の変化に敏感でありながら、強力なベンチマーク性能を達成することができる。 これらのコンテキストシフトは、下層の病変を変更することなく画像の外観を変えるため、モデルがDiceとHD95が露出できないニュアンスキューを利用することができる。 本稿では,堅牢な3次元医用画像セグメンテーションのためのコンテキスト監査フレームワークTRACE-Seg3Dを提案する。 TRACE-Seg3Dは病変関連証拠を保存し、画像コンテキストを体系的に変化させ、制御されたコンテキストシフトの下で予測安定性を定量化する。 このフレームワークは、各セグメンテーションにコンテキスト感度と解剖学的妥当性の監査エビデンスを組み合わせ、オーバーラップベースの評価以上のケースレベルの信頼性評価を可能にする。 BraTSとUTSWのグリオーマセグメンテーションベンチマークの実験は、競争力のある分散とクロスドメインのパフォーマンスを示している。 TRACE-Seg3Dは、従来のメトリクスで見逃されたコンテキストに敏感な障害モードを公開する。 これらの結果は, 分散シフト下での透明で信頼性の高い3次元医用画像セグメント化に向けた実践的な経路として, 対実的文脈監査を確立した。 私たちのコードはhttps://github.com/danleneurocom/Counterfactual-Representation-Network.comで公開されています。

関連論文リスト

• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• OFD-Net: Teacher-Free Reliable Semi-supervised Medical Image Segmentation with Orthogonal Feature Disentanglement Net of Foreground-Background [11.21872807442803]
  我々は,教師なしの半教師型医用画像セグメンテーションのための単一ネットワークフレームワーク OFD-Netを提案する。 OFD-Netは、OFDM(Orthogonal Feature Disentanglement Module)を使用して、ラベルなしデータを背景および前景表現に切り離すことによって、信頼性の高いSSLのためにOFDM機能をキャプチャする。 さらに、主予測と非絡み合った前景応答の構造的整合性に基づいてラベル付き指導を評価し、訓練中に信頼できない領域を減らし、信頼性に敏感な擬似ラベル学習機構を開発する。
  論文  参考訳（メタデータ） (2026-07-18T08:39:40Z)
• Text Over Image: Auditing Multimodal Robustness in Synthetic Medical Image Detection [38.146353416394234]
  我々は、画像記録インタフェースにおけるマルチモーダルロバスト性の監査として、合成医用画像検出を再構成する。 メタデータのコンテキストだけを変えることで、信頼性の判断を覆すことがわかりました。 そこで本研究では,モデルの再学習を伴わずに,予測時間短縮パイプラインを用いて前兆ショートカットの検出と中和を行う。
  論文  参考訳（メタデータ） (2026-06-24T04:08:41Z)
• DisPOSE: Projected Polystochastic Diffusion for Self-Supervised Multi-View 3D Human Pose Estimation [58.47973015036709]
  DisPOSEは、本質的に離散的な多視点人物割り当て問題を近似する自己教師型フレームワークである。 特定可能なシンクホーン射影を用いることにより、本モデルは有効かつ実現可能な課題への解の導出を学ぶ。 提案手法は、標準データセット上での最先端の自己教師手法よりも優れている。
  論文  参考訳（メタデータ） (2026-06-05T16:14:39Z)
• Med-DisSeg: Dispersion-Driven Representation Learning for Fine-Grained Medical Image Segmentation [3.182068203318624]
  分散駆動型医用画像分割フレームワークであるMed DisSegを提案する。 Med DisSegは、軽量のDispersive Lossと、微粒な構造セグメンテーションのための適応的な注意を組み合わせる。 我々は,Med DisSegが多臓器CTのセグメンテーションにおいて,その堅牢性とクロスタスク適用性をサポートして競合的な結果を得ることを示す。
  論文  参考訳（メタデータ） (2026-05-14T08:49:36Z)
• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• Counterfactuals and Uncertainty-Based Explainable Paradigm for the Automated Detection and Segmentation of Renal Cysts in Computed Tomography Images: A Multi-Center Study [1.83277723272657]
  Routine Computed Tomography (CT)スキャンは、しばしば広範囲の腎嚢胞を検知するが、そのうちのいくつかは悪性である可能性がある。 しかし、現在のセグメンテーション法では、特徴レベルとピクセルレベルで十分な解釈性を提供していない。 我々は、解釈可能なセグメンテーションフレームワークを開発し、多中心データセット上で検証した。
  論文  参考訳（メタデータ） (2024-08-07T14:14:05Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)

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。