論文の概要: Beyond Boundary Noise: Aggregated Aleatoric Uncertainty Fails to Capture Presence Ambiguity in 3D Lung Nodule Segmentation

• arxiv url: http://arxiv.org/abs/2608.14766v1
• Date: Fri, 14 Aug 2026 12:12:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.074246
• Title: Beyond Boundary Noise: Aggregated Aleatoric Uncertainty Fails to Capture Presence Ambiguity in 3D Lung Nodule Segmentation
• Title（参考訳）: 境界雑音を超えて:3次元肺結節分節における有意差を捉えた房性不確かさの集団化
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.944682026264472
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Uncertainty estimation is critical for the safe clinical deployment of deep learning in medical image segmentation, with aleatoric uncertainty theoretically designed to capture irreducible data ambiguity. However, whether entropy-based measures reflect clinically meaningful ambiguity, i.e. case-level disagreement about whether a pathology is present at all, remains poorly understood. Contrary to most prior work, which focused on pixel-wise boundary disagreement, we systematically evaluate how well aleatoric uncertainty captures presence ambiguity. Our evaluation spans 3D lung nodule segmentation across four architectures with Monte Carlo dropout and deep ensembles, on LIDC-IDRI and an external validation cohort (LNDb). We find that entropy-based uncertainty maps align with boundary noise and minor drawing variation but carry insufficient discriminative signal for presence ambiguity. In contrast, a lightweight supervised ambiguity head trained on frozen segmentation features substantially outperforms all entropy-aggregation-based baselines across architectures, metrics, and both cohorts, and matches or exceeds methods that explicitly model ambiguity under disagreement supervision (Probabilistic U-Net, Annotator-Confusion 3D-UNet). A qualitative feature-space analysis shows that presence ambiguity is already encoded in the frozen encoder features of pixel-wise-trained networks, only to be discarded by the segmentation output and its entropy aggregation. Our findings expose a fundamental mismatch between the theoretical promise of aleatoric uncertainty and its practical behavior, and suggest that practitioners should not rely on entropy-based uncertainty as a proxy for clinical ambiguity in safety-critical applications.
• Abstract（参考訳）: 不確実性の推定は、医学画像のセグメンテーションにおける深層学習の安全な臨床展開に重要である。 しかし, エントロピーに基づく治療法が臨床的に有意な曖昧さを反映しているかどうか, 病態の有無に関するケースレベルの意見の相違は, いまだによく分かっていない。 ピクセルワイド境界の不一致に着目した先行研究とは対照的に,アレータリック不確かさ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。 LIDC-IDRIおよび外部バリデーションコホート(LNDb)を用いて,モンテカルロ液滴と深層アンサンブルを含む4つのアーキテクチャの3次元肺結節セグメンテーションについて検討した。 エントロピーに基づく不確実性マップは境界雑音や微妙な描画変動と一致しているが,不明瞭さに対する識別信号は不十分である。 対照的に、凍結セグメンテーション機能に基づいて訓練された軽量なアンビグニティヘッドは、アーキテクチャ、メトリクス、両方のコホートをまたいだ全てのエントロピー・アグリゲーションベースのベースラインを大幅に上回り、アンビグニティを不一致の監督の下で明示的にモデル化する手法(Probabilistic U-Net, Annotator-Confusion 3D-UNet)にマッチまたは超過する。 定性的特徴空間解析により、画素ワイドネットワークの凍結エンコーダに存在曖昧性は既に符号化されており、セグメンテーション出力とエントロピーアグリゲーションによって破棄されることが示された。 本研究は, 臨床の曖昧性の指標としてのエントロピーに基づく不確実性に頼ってはならないことを示唆する。

関連論文リスト

• UCBound-Net: Uncertainty-Guided Boundary-Aware Continual Learning for Domain-Incremental Ultrasound Segmentation [0.0]
  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。
  論文  参考訳（メタデータ） (2026-08-02T22:11:20Z)
• Quantification of Uncertainty with Adversarial Models in Medical Image Segmentation [5.9165058427687045]
  本稿では, 対向探索を用いたポストホックフレームワーク QUAM-SM を提案し, 「アドリアリフィラブル」 画素を同定する。 予測不安定を顕在化する摂動を積極的に探すことにより,決定がフリップに対して最も脆弱な領域に注目する。 複数の専門家アノテーションを持つ2つの公開データセットの実験は、QUIM-SMが標準および最近の不確実性推定アプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2026-06-17T09:42:24Z)
• Principle-Guided Supervision for Interpretable Uncertainty in Medical Image Segmentation [15.512833015785773]
  我々は,明らかな学習に基づく原則誘導型不確実性監視フレームワーク(PriUS)を開発した。 PriUSは競合セグメンテーション性能を維持しながら、より一貫した不確実性推定を生成する。
  論文  参考訳（メタデータ） (2026-05-09T05:17:20Z)
• 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)
• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• 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)
• Semantic Energy: Detecting LLM Hallucination Beyond Entropy [106.92072182161712]
  大規模言語モデル(LLM)は、現実のアプリケーションにますますデプロイされているが、幻覚の影響を受けやすいままである。 不確実性推定は、そのような幻覚を検出するための実現可能なアプローチである。 本稿では,新しい不確実性推定フレームワークであるセマンティック・エナジーを紹介する。
  論文  参考訳（メタデータ） (2025-08-20T07:33:50Z)
• Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
  我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。 現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-10-17T08:49:33Z)
• Dive into Ambiguity: Latent Distribution Mining and Pairwise Uncertainty Estimation for Facial Expression Recognition [59.52434325897716]
  DMUE(DMUE)という,アノテーションのあいまいさを2つの視点から解決するソリューションを提案する。 前者に対しては,ラベル空間における潜伏分布をよりよく記述するために,補助的マルチブランチ学習フレームワークを導入する。 後者の場合、インスタンス間の意味的特徴のペアワイズ関係を完全に活用して、インスタンス空間のあいまいさの程度を推定する。
  論文  参考訳（メタデータ） (2021-04-01T03:21:57Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。