論文の概要: Context Matters: Support Set Selection and Failure Detection for In-Context Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2608.05333v1
• Date: Wed, 05 Aug 2026 18:43:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.775483
• Title: Context Matters: Support Set Selection and Failure Detection for In-Context Medical Image Segmentation
• Title（参考訳）: コンテキスト事項: コンテキスト内医用画像分割のためのセット選択とエラー検出のサポート
• Abstract要約: In-context Learningは、医療画像のセグメンテーションモデルを、再トレーニングすることなく、見つからない構造やモダリティに適応させる。 ICL信頼性の制御可能な決定因子としてのサポートセットについて検討する。
• 参考スコア（独自算出の注目度）: 7.942205885692331
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In-context learning (ICL) adapts medical image segmentation models to unseen structures and modalities without retraining by conditioning on a task-specific support set of image-mask exemplars. Because this support set is the model's only task-specific signal, its composition directly influences segmentation performance. In this work, we investigate the support set as a controllable determinant of ICL reliability. First, we compare random sampling against similarity-based selection, where exemplars are retrieved based on their visual similarity to the query image. Second, we train a transformer-based classifier to predict, from the query and support images alone, whether a segmentation will fall below a specified Intersection-over-Union (IoU) threshold. Using MultiverSeg with DINOv3 embeddings across four benchmarks and three imaging modalities, we show that similarity-based selection consistently matches or outperforms random sampling, with the largest gains at the smallest support set sizes. Furthermore, our classifier predicts segmentation failure above chance on all four benchmarks. Ultimately, these results demonstrate that the reliability of in-context segmentation can be both improved via informed support selection and anticipated before use, providing practical mechanisms for safer clinical deployment.
• Abstract（参考訳）: In-context Learning (ICL) は、タスク固有のイメージマスク先駆者のサポートセットに条件付けすることで、再トレーニングすることなく、医用画像セグメンテーションモデルを未知の構造やモダリティに適応させる。 このサポートセットはモデルで唯一のタスク固有の信号であるため、その構成はセグメンテーション性能に直接影響を及ぼす。 本稿では,ICL信頼性の制御可能な決定因子としてのサポートセットについて検討する。 まず,クエリ画像と視覚的類似性に基づいて,類似度に基づく選択をランダムに抽出し,類似度に基づく選択と比較する。 第二に、トランスフォーマーベースの分類器をトレーニングし、クエリからのみ、セグメンテーションが特定のインターセクション・オーバー・ユニオン(IoU)閾値以下になるかどうかを予測する。 4つのベンチマークと3つの画像モダリティにまたがるMultiverSegとDINOv3の埋め込みを用いて、類似性に基づく選択は、最小のサポートセットサイズで最大のゲインを持つランダムサンプリングと一貫して一致または上回っていることを示す。 さらに, 4つのベンチマークにおいて, セグメンテーション失敗の確率を予測した。 最終的に,これらの結果から,情報提供の選択によってコンテキスト内セグメンテーションの信頼性が向上し,使用前にも期待できることが示され,より安全な臨床展開のための実用的なメカニズムが提供される。

関連論文リスト

• Active few-shot segmentation by reinforcing data selection [1.7289593940332797]
  少ないショット学習により、少数のラベル付き例だけで、医療画像セグメンテーションモデルが新しいタスクに適応できる。 サポートセットは、ターゲットドメイン内の関連するバリエーションをキャプチャし、適応のために通知するべきである。 数ショットの医用画像分割におけるサポートセット選択のための強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-24T14:58:35Z)
• CSMCIR: CoT-Enhanced Symmetric Alignment with Memory Bank for Composed Image Retrieval [54.15776146365823]
  Composed Image Retrieval (CIR)では、ユーザーは参照画像と操作テキストの両方を使用してターゲットイメージを検索できる。 CSMCIRは3つの相乗的コンポーネントを通して効率的なクエリターゲットアライメントを実現する統一表現フレームワークである。
  論文  参考訳（メタデータ） (2026-01-07T09:21:38Z)
• Cycle Context Verification for In-Context Medical Image Segmentation [43.416111396585165]
  In-context Learning (ICL) は、普遍的な医用画像セグメンテーションを実現するための有望な手法である。 臨床シナリオでは、注釈付き医用画像が不足しているため、最適なコンテキスト内ペアを選択することは困難である。 ICLに基づく医用画像のセグメンテーションを強化する新しいフレームワークであるCycle Context Verification (CCV)を提案する。
  論文  参考訳（メタデータ） (2025-07-11T07:18:01Z)
• CONSIGN: Conformal Segmentation Informed by Spatial Groupings via Decomposition [0.0]
  ほとんどの機械学習ベースのイメージセグメンテーションモデルは、各ピクセルにおける各クラスラベルの予測確率を表す画素単位の信頼スコアを生成する。 コンフォーマル予測は、信頼度スコアを統計的に妥当な不確実性推定に変換するための原則化された枠組みを提供する。
  論文  参考訳（メタデータ） (2025-05-20T09:19:37Z)
• One-shot In-context Part Segmentation [97.77292483684877]
  パートセグメンテーションの課題に取り組むために,One-shot In-context Part (OIParts) フレームワークを提案する。 私たちのフレームワークは、トレーニングのない、フレキシブルで、データ効率のよいパートセグメンテーションに対して、新しいアプローチを提供します。 我々は多種多様な対象カテゴリで顕著なセグメンテーション性能を達成した。
  論文  参考訳（メタデータ） (2025-03-03T03:50:54Z)
• 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)
• Boosting Few-Shot Segmentation via Instance-Aware Data Augmentation and Local Consensus Guided Cross Attention [7.939095881813804]
  少ないショットセグメンテーションは、注釈付き画像のみを提供する新しいタスクに迅速に適応できるセグメンテーションモデルをトレーニングすることを目的としている。 本稿では,対象オブジェクトの相対的サイズに基づいて,サポートイメージを拡大するIDA戦略を提案する。 提案したIDAは,サポートセットの多様性を効果的に向上し,サポートイメージとクエリイメージ間の分散一貫性を促進する。
  論文  参考訳（メタデータ） (2024-01-18T10:29:10Z)
• Dense Affinity Matching for Few-Shot Segmentation [83.65203917246745]
  Few-Shot (FSS) は、新しいクラスイメージをいくつかのサンプルで分割することを目的としている。 本稿では,サポートクエリ間の相互作用を生かした密接な親和性マッチングフレームワークを提案する。 我々のフレームワークは0.68万のパラメータしか持たない異なる設定で非常に競争力のある性能を示す。
  論文  参考訳（メタデータ） (2023-07-17T12:27:15Z)
• Few-shot Medical Image Segmentation via Cross-Reference Transformer [3.2634122554914]
  Few-shot segmentation(FSS)は、少数のラベル付きサンプルから新しいカテゴリを学習することで、これらの課題に対処する可能性がある。 そこで本研究では,クロス参照変換器を用いた画像分割ネットワークを提案する。 実験の結果,CTデータセットとMRIデータセットの両方で良好な結果が得られた。
  論文  参考訳（メタデータ） (2023-04-19T13:05:18Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Few-Shot Segmentation via Cycle-Consistent Transformer [74.49307213431952]
  本稿では,サポートとターゲット画像間の画素ワイドな関係を利用して,数ショットのセマンティックセマンティックセグメンテーション作業を容易にすることに焦点を当てる。 本稿では, 有害なサポート機能を除去するために, 新規なサイクル一貫性アテンション機構を提案する。 提案したCyCTRは,従来の最先端手法と比較して著しく改善されている。
  論文  参考訳（メタデータ） (2021-06-04T07:57:48Z)
• Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
  IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。 IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。 IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
  論文  参考訳（メタデータ） (2021-03-02T08:20:08Z)

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。