論文の概要: UCBound-Net: Uncertainty-Guided Boundary-Aware Continual Learning for Domain-Incremental Ultrasound Segmentation

• arxiv url: http://arxiv.org/abs/2608.01518v1
• Date: Sun, 02 Aug 2026 22:11:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.264024
• Title: UCBound-Net: Uncertainty-Guided Boundary-Aware Continual Learning for Domain-Incremental Ultrasound Segmentation
• Title（参考訳）: UCBound-Net: 領域拡大超音波セグメンテーションのための不確実性ガイド付き境界認識連続学習
• Abstract要約: リスクを忘れるための空間的プロキシとして,モンテカルロ(MC)ドロップアウトの不確実性を利用する連続セグメンテーションフレームワークUCBound-Netを紹介する。 本手法は, 凍結教師の高エントロピー領域における知識伝達信号を増幅する不確実性重み付き境界蒸留, 過度な不正確な予測を明示する不確実性校正正規化, および, 境界領域が最も高いエントロピーを示すサンプルを優先的に記憶するメモリバッファである不確実性誘導選択の3つの相乗的成分に寄与する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Continual learning in clinical imaging faces a dual challenge: a model must assimilate knowledge from new anatomical domains while retaining representations learned from prior tasks, a problem known as catastrophic forgetting. Existing mitigation strategies, including regularization and knowledge distillation, treat all spatial regions equally, ignoring the fact that prediction uncertainty is strongly correlated with the propensity for forgetting. We introduce UCBound-Net, a continual segmentation framework that exploits Monte Carlo (MC) Dropout uncertainty as a spatial proxy for forgetting risk. Our method contributes three synergistic components: (i) uncertainty-weighted boundary distillation, which amplifies the knowledge transfer signal at high-entropy regions of the frozen teacher; (ii) uncertainty-calibration regularization, which explicitly penalizes overconfident erroneous predictions; and (iii) uncertainty-guided exemplar selection, a memory buffer that preferentially stores samples whose boundary regions exhibit the highest predictive entropy. Evaluated on a sequential domain-incremental benchmark comprising breast ultrasound (BUSI, Task 1) followed by thyroid ultrasound (TN3K, Task 2), UCBound-Net reduces forgetting relative to naive fine-tuning, achieving a backward transfer (BWT) of -0.098 compared with -0.173, while obtaining an average Dice Similarity Coefficient (DSC) of 0.755 across both tasks. The proposed framework outperforms baseline methods without requiring task-boundary supervision. An ablation study further demonstrates that each component contributes independently to forgetting mitigation, providing a practical pathway toward uncertainty-aware continual learning for clinical image segmentation.
• Abstract（参考訳）: モデルは、以前のタスクから学んだ表現を維持しながら、新しい解剖学的領域からの知識を同化しなければならない。 正規化や知識蒸留を含む既存の緩和戦略は、全ての空間領域を等しく扱い、予測の不確実性が忘れる確率と強く相関しているという事実を無視している。 リスクを忘れるための空間的プロキシとして,モンテカルロ(MC)ドロップアウトの不確実性を利用する連続セグメンテーションフレームワークであるUCBound-Netを紹介する。 本手法は3つの相乗的成分に寄与する。 一 凍結教師の高エントロピー領域における知識伝達信号を増幅する不確実性重み付き境界蒸留 (二 過信過誤予測を明示的に罰する不確実な校正規則化 3) 境界領域が最も高い予測エントロピーを示すサンプルを優先的に記憶するメモリバッファ。 乳房超音波 (BUSI, Task 1) と甲状腺超音波 (TN3K, Task 2) を併用した逐次ドメインインクリメンタルベンチマークで評価し, UCBound-Net は, 両タスクの平均Dice similarity Coefficient (DSC) が 0.755 であるのに対して-0.098 の-0.098 の-0.098 の後方転送 (BWT) を達成した。 提案手法は,タスク境界管理を必要とせず,ベースライン手法より優れている。 アブレーション研究は、各コンポーネントが個別に緩和を忘れることに寄与し、臨床画像セグメンテーションのための不確実性を認識した継続学習への実践的な経路を提供することを示した。

関連論文リスト

• Beyond Boundary Noise: Aggregated Aleatoric Uncertainty Fails to Capture Presence Ambiguity in 3D Lung Nodule Segmentation [13.944682026264472]
  3次元肺セグメンテーションにおいて,アレタリック不確実性が存在の曖昧さをいかに捉えているかを系統的に評価した。 エントロピーに基づく不確実性マップは境界雑音と一致しているが,不明瞭さに対する識別信号は不十分である。 凍結セグメンテーションで訓練された軽量な教師付き曖昧性ヘッドはエントロピー集約に基づくベースラインを大幅に上回る。
  論文  参考訳（メタデータ） (2026-08-14T12:12:34Z)
• 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)
• UnGAP: Uncertainty-Guided Affine Prompting for Real-Time Crack Segmentation [16.902729686979303]
  UPFM(Uncertainty-Prompted Feature Modulator)は、単に出力ではなく、アクティブな視覚的プロンプトとして、アレタリック不確実性を扱う。 UnGAPは、より優れたセグメンテーション精度とリアルタイムの推論速度のバランスをとる。
  論文  参考訳（メタデータ） (2026-05-04T09:18:57Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Volumetric Directional Diffusion: Anchoring Uncertainty Quantification in Anatomical Consensus for Ambiguous Medical Image Segmentation [9.649916323072434]
  Volumetric Directional Diffusion (VDD) は、生成軌跡を決定論的コンセンサスに数学的に固定する。 VDDは、トポロジカル崩壊を危険にさらすことなく、専門家の不一致に固有の微細な幾何学的変動を正確に探索する。 最終的に、VDDは、臨床医に解剖学的に一貫性のある不確実性マップを提供し、下流タスクにおけるより安全な意思決定とリスク軽減を可能にする。
  論文  参考訳（メタデータ） (2026-03-04T12:58:43Z)
• ClinNet: Evidential Ordinal Regression with Bilateral Asymmetry and Prototype Memory for Knee Osteoarthritis Grading [3.337151338735509]
  X線画像に基づく膝関節症(KOA)の診断は極めて難しい課題である。 本研究では, KOA グレーディングに対処する信頼性の高い新しいフレームワーク ClinNet を提案する。
  論文  参考訳（メタデータ） (2026-01-24T05:49:41Z)
• Towards Integrating Uncertainty for Domain-Agnostic Segmentation [44.239195075597536]
  Segment Anything Model (SAM) ファミリーのようなセグメンテーションの基本モデルは、ゼロショット性能が強いが、シフトまたは限定知識領域では弱いままである。 本研究は、定量化の不確実性がそのような課題を緩和し、ドメインに依存しない方法でモデル一般化可能性を高めることができるかどうかを考察する。
  論文  参考訳（メタデータ） (2025-12-29T12:46:21Z)
• Enhancing Dual Network Based Semi-Supervised Medical Image Segmentation with Uncertainty-Guided Pseudo-Labeling [5.1962665598872135]
  本稿では,デュアルネットワークアーキテクチャに基づく新しい半教師付き3次元医用画像分割フレームワークを提案する。 具体的には,クロス・擬似とエントロピーフィルタの両方を用いたクロス・コンシステンシー・エンハンスメント・モジュールについて検討し,ノイズの多い擬似ラベルを減らす。 さらに、教師付きコントラスト学習機構を用いて、不確実なボクセル特徴を信頼性の高いクラスプロトタイプと整合させる。
  論文  参考訳（メタデータ） (2025-09-16T13:40:20Z)
• Uncertainty-aware Cross-training for Semi-supervised Medical Image Segmentation [45.96892342675963]
  半教師型医療画像(UC-Seg)のための不確実性を考慮したクロストレーニングフレームワークを提案する。 本手法は,他の最先端半教師付き手法と比較して,セグメンテーション精度と一般化性能に優れる。
  論文  参考訳（メタデータ） (2025-08-12T15:28:10Z)
• Evidential Calibrated Uncertainty-Guided Interactive Segmentation paradigm for Ultrasound Images [8.010602776500237]
  Evidential Uncertainty-Guided Interactive (EUGIS) は、超音波画像セグメンテーションの明確な不確実性推定に基づくエンドツーエンドの対話的セグメンテーションパラダイムである。 提案手法は, 高度に訓練された放射線学者の対話行動のシミュレーションを効果的に行うことができ, サンプリング対象度を高めつつ, 必要なプロンプトやイテレーションの数を削減できる。
  論文  参考訳（メタデータ） (2025-01-02T05:41:25Z)
• Model-Based Uncertainty in Value Functions [89.31922008981735]
  MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。 従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
  論文  参考訳（メタデータ） (2023-02-24T09:18:27Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)

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。