論文の概要: A Diagnostic Gap Framework for Evaluating Reconstruction Fidelity in Weakly Supervised Mammography

• arxiv url: http://arxiv.org/abs/2607.22740v1
• Date: Wed, 22 Jul 2026 19:59:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.850262
• Title: A Diagnostic Gap Framework for Evaluating Reconstruction Fidelity in Weakly Supervised Mammography
• Title（参考訳）: 弱視下マンモグラフィにおける再構成忠実度評価のための診断ギャップフレームワーク
• Authors: Vinceline Bertrand, Ionut Cardei,
• Abstract要約: 本稿では,意思決定の保存と説明の保存を計測する実践的評価ツールである診断ギャップフレームワークを提案する。 本研究は, 3種類のコンディショニングコンストラクタの忠実度はしごを用いて, キュレートされた病変ROIの作物について検討した。 このフレームワークは、マルチステージパイプラインが診断信号を失うタイミングと場所を特定するためのアーキテクチャに依存しない手段を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised pipelines for medical imaging have become increasingly popular over the years. These systems often include multiple stages and components, such as reconstruction, generation, and localization, yet standard evaluation metrics provide limited insight into whether clinically relevant information is preserved across each stage. We present the diagnostic gap framework, a practical evaluation tool that measures decision preservation and explanation preservation as a function of measured reconstruction fidelity. To isolate the effect of reconstruction from localization, we evaluate on curated lesion ROI crops using a fidelity ladder of three class-conditional reconstructors---VQ-VAE-GAN, VAE-GAN, and diffusion (SDEdit)---spanning a twenty-fold range in perceptual distance (LPIPS 0.029--0.584). At autoencoder fidelity, both decision and explanation are preserved: AUC changes remain within $\pm$0.005 and attribution similarity (HiResCAM, Grad-CAM++) stays high. At diffusion fidelity, both collapse: pooled AUC drops by 0.253 and mass-pathology AUC falls below chance. The diagnostic gap is thus a measurable function of reconstruction fidelity rather than an intrinsic cost of reconstruction, and the framework provides an architecture-agnostic instrument for identifying when and where multi-stage pipelines lose diagnostic signal.
• Abstract（参考訳）: 医療画像のための微弱に監督されたパイプラインは、ここ数年で人気が高まっている。 これらのシステムには、再構成、生成、ローカライゼーションなどの複数のステージとコンポーネントが含まれることが多いが、標準的な評価指標は、臨床関連情報が各ステージにわたって保存されているかどうかについての限られた洞察を提供する。 本稿では, 診断ギャップフレームワークを提案する。このフレームワークは, 意思決定の保存と説明の保存を, 再現性の測定機能として評価する実用的な評価ツールである。 VQ-VAE-GAN, VAE-GAN, 拡散(SDEdit)を用いて, 20倍の範囲を知覚距離(LPIPS 0.029-0.584)で拡大した。 AUCの変更は$\pm$0.005以内であり、属性類似性(HiResCAM、Grad-CAM++)は高いままである。 拡散忠実度では、両方の崩壊: プールされたAUCは0.253減少し、質量病理学のAUCはチャンスを下回る。 したがって、診断ギャップは、本質的な再構築コストではなく、再現忠実度の測定可能な機能であり、多段階パイプラインが診断信号を失うタイミングと場所を特定するためのアーキテクチャに依存しない手段を提供する。

関連論文リスト

• PhaseAware: Interpretable Human-in-the-Loop Rehabilitation Scoring with Boundary Monitoring [18.918947215697205]
  本研究は, 側頭骨と位相・身体群記述子を組み合わせた継続的リハビリテーション品質評価のためのコンパクトな枠組みを提案する。 PhaseAwareのRMSEは0.0230で、受け入れられたベースラインに対する88.9%の減少に対応している。 KIMOREでも良好な性能を維持しており、フェーズアウェアの設計が関連するスクワットプロトコル間で転送されることを示唆している。
  論文  参考訳（メタデータ） (2026-07-22T14:57:42Z)
• MaRS: Robust Out-of-Distribution Detection via Mahalanobis Residual Scoring [2.0480448867367476]
  我々は, 軽量オートエンコーダを用いて分布内多様体を学習し, マハラノビス距離を用いて復元残差の偏差を測定する, ラベルフリーなOOD検出器MARSを紹介する。 MARSは信頼性、距離、および再構築に基づくベースラインを確立し、完全なポストホックで軽量なままである。
  論文  参考訳（メタデータ） (2026-06-21T19:45:41Z)
• Quantifying Explanation Consistency: The C-Score Metric for CAM-Based Explainability in Medical Image Classification [5.127836966483091]
  CAM(Class Activation Mapping)法は、医用画像における深層学習分類器の視覚的説明を生成するために広く用いられている。 既存の評価フレームワークは、ラジオロジストアノテーションに対する局所化忠実度を用いて、説明が正しいかどうかを評価する。 Cスコア(Consistency Score, Consistency Score, C-Score, C-Score, C-Score, C-Score, C-Score, C-Score, C-Score)を提案する。
  論文  参考訳（メタデータ） (2026-04-09T17:47:31Z)
• FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
  我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。 病的シグネチャの最初の系統的周波数領域解析を行う。 周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2025-11-17T02:40:14Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• Are Pixel-Wise Metrics Reliable for Sparse-View Computed Tomography Reconstruction? [61.48804987263701]
  解剖学的構造全体にわたる構造的完全性を評価するために,解剖学的評価尺度の組を提案する。 CAREは、重要な構造物の解剖学的保存を促進するために、訓練中に構造的罰則を取り入れている。 CAREはCT再建における構造的完全性を大幅に改善し、大臓器では+32%、小臓器では+22%、小腸では+40%、血管では+36%となる。
  論文  参考訳（メタデータ） (2025-06-02T17:07:10Z)
• Latent Diffusion Autoencoders: Toward Efficient and Meaningful Unsupervised Representation Learning in Medical Imaging [41.446379453352534]
  LDAE(Latent Diffusion Autoencoder)は、医用画像における効率的で有意義な教師なし学習のための、エンコーダ-デコーダ拡散に基づく新しいフレームワークである。 本研究は,ADNIデータベースの脳MRIを用いたアルツハイマー病(AD)を事例として検討した。
  論文  参考訳（メタデータ） (2025-04-11T15:37:46Z)
• Shifting Focus: From Global Semantics to Local Prominent Features in Swin-Transformer for Knee Osteoarthritis Severity Assessment [42.09313885494969]
  我々はSwin Transformerの能力を利用して階層的な枠組みを通じて画像内の空間的依存関係を識別する。 我々の新しい貢献は、局所的な特徴表現を精細化し、分類器の最終的な分布に特化することにある。 Knee osteoArthritis (KOA) グレード分類のための2つの確立されたベンチマークを広範囲に検証した結果,本モデルは有意な堅牢性と精度を示した。
  論文  参考訳（メタデータ） (2024-03-15T01:09:58Z)
• Modeling Barrett's Esophagus Progression using Geometric Variational Autoencoders [6.72834963752212]
  バレット食道(BE)の早期発見は食道癌を効果的に予防し治療するために重要である。 S-VAEとShape Kendall VAEは,分類精度,再構成損失,生成能力の向上を示した。
  論文  参考訳（メタデータ） (2023-03-17T14:08:16Z)

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。