論文の概要: VIDS-Seg: Towards Reliable Uncertainty Quantification in Pediatric Cardiac Ultrasound Segmentation

• arxiv url: http://arxiv.org/abs/2608.10903v1
• Date: Tue, 11 Aug 2026 13:27:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.049963
• Title: VIDS-Seg: Towards Reliable Uncertainty Quantification in Pediatric Cardiac Ultrasound Segmentation
• Title（参考訳）: VIDS-Seg:小児心エコー検査における信頼性の高い不確実性定量化を目指して
• Abstract要約: 一般的な例は小児ケアであり、成人のコホートで訓練されたモデルは、何か問題が発生したという兆候のない子供に対して静かに過度にパフォーマンスを低下させることができる。 我々は、この適応性を実現するために、軽量な予測ヘッドにアモータライズされた変分推論を適用したVIDS-Segを導入する。 全ての年齢層において、VIDS-Segは、予測不確かさとセグメンテーション誤差の間の空間対応を著しく高めながら、セグメンテーション精度の競争ベースラインと一致させる。
• 参考スコア（独自算出の注目度）: 0.37599363231894173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable clinical deployment of machine learning requires models that know when they are likely to fail, particularly for subgroups underrepresented in training data. A common case is pediatric care, where models trained on adult cohorts can silently under-perform on children with no indication that something has gone wrong. As retraining with labeled pediatric data is often infeasible, detecting such failures at inference time is a critical clinical need. Building on the VIDS (Variational Inference under Distribution Shifts) framework, we introduce VIDS-Seg, which applies amortized variational inference over a lightweight prediction head to make this adaptive, OOD-aware prior tractable for dense image segmentation. We evaluate VIDS-Seg on left ventricular segmentation in echocardiography, a setting where pediatric anatomy differs systematically from the adult population most segmentation models are trained on, training on an adult cohort (EchoNet-Dynamic) and evaluating zero-shot on a pediatric cohort (EchoNet-Pediatric). Across all age strata, VIDS-Seg matches competitive baselines in segmentation accuracy while producing substantially higher spatial correspondence between predicted uncertainty and segmentation error, an advantage that persists even after applying temperature scaling to all baselines. Downstream, it yields more accurate and stable ejection fraction estimates and more reliable detection of cardiac malfunction in the infant subgroup. Our results indicate that OOD-aware uncertainty quantification can serve as a practical safety layer for deployed segmentation models, enabling detection of silent failures in underrepresented subgroups without retraining or additional labeled data.
• Abstract（参考訳）: マシンラーニングの信頼性の高い臨床展開には、特にトレーニングデータで不足しているサブグループに対して、失敗する可能性を知っているモデルが必要である。 一般的な例は小児ケアであり、成人のコホートで訓練されたモデルは、何か問題が発生したという兆候のない子供に対して静かに過度にパフォーマンスを低下させることができる。 ラベル付き小児データによる再トレーニングは、しばしば実現不可能であるため、推論時にそのような障害を検出することが重要な臨床ニーズである。 我々は,VIDS(分散シフト下の変数推論)フレームワーク上に構築されたVIDS-Segを導入し,この適応型OOD認識を高密度画像セグメンテーションに利用できるようにする。 心エコー図では心室細動に対するVIDS-Segの評価を行い, 成人の心室細動の訓練, 成人のコホート(EchoNet-Dynamic)の訓練, 小児のコホート(EchoNet-Pediatric)のゼロショットの評価を行った。 全ての年齢層において、VIDS-Segはセグメンテーション精度の競争ベースラインと一致し、予測された不確実性とセグメンテーション誤差の間の空間的対応を著しく高め、全てのベースラインに温度スケーリングを適用した後でも持続する利点である。 下流では、より正確で安定した放出率の推定と、幼児期の心不全のより信頼性の高い検出を行う。 以上の結果から,OODを意識した不確実性定量化がセグメンテーションモデルの実用的安全性レイヤとして有効であることが示唆された。

関連論文リスト

• A multimodal large language model for evidence-based autism spectrum disorder screening [43.813514045885704]
  ASDchatはエビデンスベースの自閉症スクリーニングのために設計された大きな言語モデルである。 このモデルは、中国の27のサイトから1,035人の参加者のデータセットでトレーニングされ、評価された。
  論文  参考訳（メタデータ） (2026-09-15T00:34:21Z)
• Multi-Rater Calibrated Segmentation Models [1.1043348234031376]
  医用画像セグメンテーションモデルの確率的校正は, 日常的な学習問題として, マルチレータの監督を改めることにより改善する。 その結果, オーディナル・アウェア・トレーニングは, セグメンテーション精度を低下させることなく, レータ間合意に関して, キャリブレーションを著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2026-05-04T10:35:34Z)
• Learning from Noisy Prompts: Saliency-Guided Prompt Distillation for Robust Segmentation with SAM [46.344226429758606]
  Segment Anything Model (SAM)は強力なゼロショット機能を提供するが、弱い、汎用的でノイズの多いプロンプトの下で崩壊し、実際の臨床を支配している。 SPDは、信頼できないキューを堅牢なガイダンスに変換する、塩分誘導型プロンプト蒸留フレームワークである。 SPDは、既存のSAM適応を一貫して上回り、リージョンベースとバウンダリベースの両方で大きな利益をもたらす。
  論文  参考訳（メタデータ） (2026-04-25T14:09:11Z)
• L-FUSION: Laplacian Fetal Ultrasound Segmentation & Uncertainty Estimation [6.626853161057203]
  L-fusionは、教師なし、規範的学習および大規模基礎モデルを通じて不確実な定量化を統合するフレームワークである。 即時診断フィードバックのための信頼性の高い異常定量化を実現する。 不確かさの解釈を改善し、手動の病気回避の必要性を取り除く。
  論文  参考訳（メタデータ） (2025-03-07T08:57:38Z)
• Q-PART: Quasi-Periodic Adaptive Regression with Test-time Training for Pediatric Left Ventricular Ejection Fraction Regression [45.69922532213079]
  適応型左室エジェクション・フラクション(LVEF)の評価の課題に対処する。 我々はtextbfTest-time Training (Q-PART) フレームワークを用いた textbfQuasi-textbfPeriodic textbfAdaptive textbfRegression を提案する。
  論文  参考訳（メタデータ） (2025-03-06T06:24:51Z)
• Two-Stage Representation Learning for Analyzing Movement Behavior Dynamics in People Living with Dementia [44.39545678576284]
  本研究では,認知症高齢者の在宅活動データを,2段階の自己指導型学習アプローチによって分析する。 第1段階は、時系列アクティビティを事前訓練された言語モデルによって符号化されたテキストシーケンスに変換する。 このPageRankベクトルは遅延状態遷移をキャプチャし、複雑な振る舞いデータを簡潔な形式に効果的に圧縮する。
  論文  参考訳（メタデータ） (2025-02-13T10:57:25Z)
• Interpretability of Uncertainty: Exploring Cortical Lesion Segmentation in Multiple Sclerosis [33.91263917157504]
  不確実性定量化(UQ)は人工知能システムの信頼性を評価する上で重要である。 本研究では,磁気共鳴画像における焦点病変分割のための深層学習モデルにおけるインスタンス単位の不確実性値の解釈可能性について検討する。
  論文  参考訳（メタデータ） (2024-07-08T09:13:30Z)
• Evaluation of self-supervised pre-training for automatic infant movement classification using wearable movement sensors [2.995873287514728]
  乳幼児ウェアラブルMAIJUは、乳幼児の運動性能を病院外環境で自動的に評価する手段を提供する。 そこで本研究では,MAIJU録音の分析に用いる分類器の性能向上について検討した。
  論文  参考訳（メタデータ） (2023-05-16T11:46:16Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• 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)
• Multiple Organ Failure Prediction with Classifier-Guided Generative Adversarial Imputation Networks [4.040013871160853]
  多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。 機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
  論文  参考訳（メタデータ） (2021-06-22T15:49:01Z)

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。