論文の概要: Beyond scalar losses: calibrating segmentation models via gradient vector field surgery

• arxiv url: http://arxiv.org/abs/2607.14338v1
• Date: Wed, 15 Jul 2026 20:03:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.902356
• Title: Beyond scalar losses: calibrating segmentation models via gradient vector field surgery
• Title（参考訳）: スカラー損失を超えて-勾配ベクトル場手術によるセグメンテーションモデルの校正
• Authors: Laurin Lux, Alexander H. Berger, Moritz Knolle, Daniel Rückert, Johannes C. Paetzold,
• Abstract要約: 地域ベースの損失関数は、高度にクラスと地域不均衡なセグメンテーションタスクのデファクトスタンダードとして確立されている。 地域ベースの損失関数を用いて訓練されたモデルは、誤解され、典型的には自信過剰な予測をもたらす。
• 参考スコア（独自算出の注目度）: 40.96272223539153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Region-based loss functions, such as the Dice loss, have established themselves as the de facto standard for highly class- and region-imbalanced segmentation tasks. However, models trained using region-based loss functions are notoriously miscalibrated and typically yield over-confident predictions. In medical imaging applications, such as defining tumor resection margins, this miscalibration is hindering clinical adoption. In this work, we outline a novel gradient perspective on this overconfidence and show how it affects region-based loss functions. We propose a "surgery" on the gradient vector field as a simple, yet effective intervention to mitigate calibration issues. This surgery adds a factor to the loss's partial derivative, scaling the gradient's magnitude linearly with the prediction error. In empirical evaluations across 2D and 3D medical segmentation tasks, we demonstrate the effectiveness of this intervention while maintaining high prediction accuracy when used in conjunction with any region-based loss function.
• Abstract（参考訳）: ディース損失のような地域ベースの損失関数は、高度にクラスと地域不均衡なセグメンテーションタスクのデファクト標準として確立されている。 しかし、地域ベースの損失関数を用いて訓練されたモデルは、誤解され、典型的には自信過剰な予測をもたらす。 腫瘍切除マージンの定義などの医療画像の応用において、この誤診は臨床応用を妨げる。 本研究では,この過度な信頼度に対する新たな勾配の視点を概説し,それが地域ベース損失関数にどのように影響するかを示す。 本稿では,キャリブレーション問題を緩和するための単純かつ効果的な介入として,勾配ベクトル場上での「手術」を提案する。 この手術は損失の偏微分に因子を加え、勾配の等級を予測誤差と線形にスケーリングする。 2次元および3次元の医療セグメンテーションタスクにおける実証評価において、各領域の損失関数と併用した場合、高い予測精度を維持しながら、この介入の有効性を実証する。

関連論文リスト

• Medical Image Segmentation based on Deep Active Contour and Mean Curvature Loss Function [3.8546485293265977]
  本稿では,畳み込みカーネルを用いて平均曲率を近似して計算コストを削減できる損失関数を提案する。 肝臓および脾臓のデータセットを用いて,本法の有効性を検証した。
  論文  参考訳（メタデータ） (2026-07-14T09:56:03Z)
• Orthogonal Causal Calibration [55.28164682911196]
  我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。 以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Mitigating False Predictions In Unreasonable Body Regions [0.921264855324451]
  本研究では,不明瞭な身体領域における予測をペナルティ化する新たな損失関数を提案する。 軸スライス位置スコアを生成するBody Part Regressionモデルで実現した。 偽陽性腫瘍予測を85%まで効果的に軽減し、全体のセグメンテーション性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-04-24T08:11:18Z)
• A Generalized Surface Loss for Reducing the Hausdorff Distance in Medical Imaging Segmentation [1.2289361708127877]
  本研究では,現在の手法よりも望ましい数値特性を持つハウスドルフ測度を最小化する新しい損失関数を提案する。 我々の損失関数は、最先端のnnUNetアーキテクチャを用いてLiTSとBraTSデータセットでテストした場合、他の損失よりも優れています。
  論文  参考訳（メタデータ） (2023-02-08T04:01:42Z)
• Calibrating Segmentation Networks with Margin-based Label Smoothing [19.669173092632]
  現状のキャリブレーション損失に対する統一的制約最適化の視点を提供する。 これらの損失は、ロジット距離に等しい制約を課す線形ペナルティの近似と見なすことができる。 我々は不等式制約に基づく単純で柔軟な一般化を提案し、ロジット距離に制御可能なマージンを課す。
  論文  参考訳（メタデータ） (2022-09-09T20:21:03Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• A novel shape-based loss function for machine learning-based seminal organ segmentation in medical imaging [1.0312968200748116]
  深部畳み込みニューラルネットワークは、正確かつ自動セミナルセグメンテーションにおいて有望な性能を示した。 ネットワークが基礎となる形状の特徴を学習・把握することを奨励・抑制する,新しい形状に基づくコスト関数を提案する。
  論文  参考訳（メタデータ） (2022-03-07T12:26:30Z)
• Anatomical and Diagnostic Bayesian Segmentation in Prostate MRI $-$Should Different Clinical Objectives Mandate Different Loss Functions? [0.3149883354098941]
  前立腺MRIにおける解剖・悪性度のボクセルレベルの分類は, 最適な成績を得るために異なる損失関数を必要とする。 ProstateXデータセットを用いて,200件の患者試験において,各タスクの分布,領域,境界に基づく損失関数について検討した。
  論文  参考訳（メタデータ） (2021-10-25T12:44:52Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。