論文の概要: ConRad: Efficient Conformal Prediction for Radiomics

• arxiv url: http://arxiv.org/abs/2607.08084v1
• Date: Thu, 09 Jul 2026 03:32:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.405658
• Title: ConRad: Efficient Conformal Prediction for Radiomics
• Title（参考訳）: ConRad: 放射能の効率的なコンフォーマル予測
• Authors: Matt Y. Cheung, Ashok Veeraraghavan, Guha Balakrishnan,
• Abstract要約: ConRadは、入力画像、予測された放射能、境界不確実性を用いた放射能ターゲットのためのコンフォメーションフレームワークである。 また,ConRadは,準ノルミナルな経験的カバレッジを維持しながら,ベースラインに比べて特徴レベルの効率を向上することを示した。
• 参考スコア（独自算出の注目度）: 23.593891761167374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiomic features derived from medical images and segmentation masks are used to support decision making in clinical imaging pipelines. In practice, these features are often computed from predicted masks, but segmentation models can be overconfident or poorly calibrated, making derived measurements appear more reliable than they are. Conformal prediction (CP) provides distribution-free prediction intervals with finite-sample marginal coverage guarantees, but black-box intervals for segmentation-derived radiomics can be inefficient because they ignore test-time information about image appearance, mask geometry, and segmentation uncertainty. We propose ConRad, a conformal framework for scalar radiomic targets that uses covariates derived from the predicted mask, input image, predicted radiomics, and boundary uncertainty to construct adaptive intervals while maintaining coverage. Across five 2D medical imaging datasets and 171 retained radiomic targets, we show that ConRad improves feature-level efficiency compared to baselines while maintaining near-nominal empirical coverage. Ablation results further indicate that segmentation boundary uncertainty features are the largest contributors to interval efficiency.
• Abstract（参考訳）: 医療画像とセグメンテーションマスクから得られた放射能特徴は、臨床画像パイプラインにおける意思決定を支援するために使用される。 実際には、これらの特徴は予測されたマスクから計算されることが多いが、セグメンテーションモデルは過度に確信されているか、あるいは十分に校正されていないため、導出した測定はそれよりも信頼性が高いように見える。 コンフォーマル予測(CP)は、有限サンプルの限界カバレッジを保証する分布のない予測区間を提供するが、画像の外観、マスク形状、セグメンテーションの不確実性に関するテストタイム情報を無視するため、セグメンテーション由来の放射体に対するブラックボックス間隔は非効率である。 本研究では、予測マスク、入力画像、予測放射能、境界不確実性を用いて、カバーを保ちながら適応間隔を構築するスカラー放射線ターゲットのコンフォーマルフレームワークであるConRadを提案する。 5つの2次元医用画像データセットと171個の放射線被写体を収集した結果,ConRadは平均値よりも特徴レベルの効率を向上し,準ノルミナルな経験的カバレッジを維持した。 アブレーションの結果は、セグメンテーション境界の不確かさがインターバル効率の最大の寄与であることを示している。

関連論文リスト

• Privacy-Preserving Collaborative Medical Image Segmentation Using Latent Transform Networks [2.4149105714758545]
  本研究は、異種医療データセット用に設計されたプライバシ保護協調医療画像セグメンテーションフレームワーク(PPCMI-SF)を紹介する。 サーバ側の統一マッピングネットワークは、複数スケールの潜時-潜時変換を実行し、生データを公開することなくセグメンテーション推論を可能にする。
  論文  参考訳（メタデータ） (2026-03-04T12:05:45Z)
• Anatomically-aware conformal prediction for medical image segmentation with random walks [8.829058131683764]
  コンフォーマル予測(CP)は統計的に有効な予測区間を構築するための強力な分布自由フレームワークである。 本稿では,任意のセグメンテーション法上に付加可能なモデルに依存しないフレームワークであるランダム-ウォーク整形予測(RW-CP)を提案する。
  論文  参考訳（メタデータ） (2026-01-26T22:16:07Z)
• Controlling False Positives in Image Segmentation via Conformal Prediction [2.339515934428971]
  本稿では,疑似肯定予測の分布自由な画像レベル制御による信頼マスク構築のための簡易なフレームワークを提案する。 本フレームワークは,オーバーセグメンテーションが臨床効果をもたらすような環境で,実用的なリスク対応セグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2025-11-19T13:02:50Z)
• COMPASS: Robust Feature Conformal Prediction for Medical Segmentation Metrics [23.593891761167374]
  コンフォーマル予測(CP)は、原則付き不確実性保証を導出する一般的なフレームワークであるが、複雑なセグメンテーション-メトリックパイプラインをブラックボックスとして扱う。 本稿では,その基盤となるディープニューラルネットワークの帰納バイアスを利用して,画像分割モデルに対して,効率的で計量ベースのCP間隔を生成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-26T11:56:28Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Improving Adversarial Robustness of Masked Autoencoders via Test-time Frequency-domain Prompting [133.55037976429088]
  BERTプリトレーニング(BEiT, MAE)を備えた視覚変換器の対向ロバスト性について検討する。 意外な観察は、MAEが他のBERT事前訓練法よりも敵の頑健さが著しく悪いことである。 我々は,MAEの対角的堅牢性を高めるための,シンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-08-20T16:27:17Z)
• 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)
• 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)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)

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。