論文の概要: CARD: Calibration via Agreement in Reverse Diffusion for Out-of-Domain MRI Segmentation
- arxiv url: http://arxiv.org/abs/2608.28681v1
- Date: Wed, 26 Aug 2026 07:23:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.711704
- Title: CARD: Calibration via Agreement in Reverse Diffusion for Out-of-Domain MRI Segmentation
- Title（参考訳）: 症例報告 CARD : 逆拡散によるMRI領域外MRI領域の校正
- Abstract要約: そこで我々は,不一致の時間的集合を全クラスにわたって1ピクセルあたりの温度場にマッピングし,セグメント化ができない間に信頼度が変化するようにCARDを提案する。
心臓、前立腺、脳のMRIシフトによって、CARDは各設定において最強のベースラインと比較した場合、49の45のキャリブレーション誤差を低下させる。
- 参考スコア（独自算出の注目度）: 14.844162865265673
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Probability calibration aligns model confidence with predictive accuracy, enabling clinicians to identify unreliable segmentation regions. This alignment breaks down under domain shift, where artifacts and unseen protocols produce confident errors. Existing post-hoc methods adapt the correction at test time, conditioning on predictive entropy, the logit pattern, or augmentation response, but each proxy is read from the terminal prediction, the very quantity that shift corrupts. This motivates reliability evidence beyond the terminal prediction, which categorical diffusion provides in two ways. First, a generative shape prior keeps a capacity-limited reference intact when appearance is corrupted, so its disagreement with the primary segmentor highlights primary-model errors. Second, every reverse step yields a class distribution, separating persistent disagreement from transient discrepancy. Aggregated over the trajectory, this disagreement correlates with Dice at 0.788, against 0.521 for a matched discriminative control. We therefore propose CARD (Calibration via Agreement in Reverse Diffusion), which maps the temporal aggregate of this disagreement to a temperature field applied per pixel across all classes, so that confidence changes while the segmentation does not. Across cardiac, prostate and brain MRI shifts, CARD lowers calibration error in 45 of 49 comparisons against the strongest baseline in each setting.
- Abstract（参考訳）: 確率キャリブレーションはモデルの信頼性と予測精度を一致させ、臨床医が信頼できないセグメンテーション領域を特定できるようにする。
このアライメントは、アーティファクトと未確認のプロトコルが確実なエラーを発生させるドメインシフトの下で分解される。
既存のポストホック法は、テスト時に補正、予測エントロピー、ロジットパターン、または拡張応答に適応するが、各プロキシは端末予測から読み取られる。
このことは、カテゴリー拡散が2つの方法を提供する終端予測を超えた信頼性の証拠を動機付けている。
まず、前の生成形状は外観が損なわれてもキャパシティ限定参照をそのまま保持するため、プライマリセグメンタとの相違はプライマリモデルエラーを浮き彫りにする。
第二に、各逆ステップはクラス分布をもたらし、過渡的な不一致から永続的な不一致を分離する。
軌道上に集約されたこの不一致は、一致した判別制御に対して0.521に対して、Diceと0.788で相関する。
そこで我々は,CARD (Calibration via Agreement in Reverse Diffusion) を提案し,この不一致の時間的集合を全クラスにわたって1ピクセルあたりの温度場にマッピングすることにより,セグメンテーション中に信頼度が変化するようにした。
心臓、前立腺、脳MRIのシフトにより、CARDは各設定において最強のベースラインと比較した場合、49の45のキャリブレーション誤差を低下させる。
関連論文リスト
- Symmetry-Aware Likelihood-Orbit Aggregation for Selective Left-Right Claim Verification [14.108900142001628]
クローズド形式のコントラストであるRelation-Orbitを導入する。
VSRとGQAの4つの凍結された視覚言語モデルでは、Relation-Orbitは10%選択リスクキャリブレーションターゲットで平均テストカバレッジを高くする。
論文 参考訳（メタデータ） (2026-09-15T11:19:03Z) - Consistent Evidence, Robust Recognition: Faithful Attribution Regularization under Geometric Transformations [42.90321348046055]
画像領域のサブモジュール探索に基づくアノテーションのない属性正規化フレームワークを提案する。
候補部分集合がモデル出力にどのように影響するかを測定することで、探索は、コンパクトでクラス識別的な証拠を探索由来の監督として抽出する。
ImageNet-100の実験結果から,VT-B/16の属性安定性,挿入性,削除性は0.28ポイントの精度低下で大幅に向上することがわかった。
論文 参考訳（メタデータ） (2026-07-26T20:41:38Z) - Anytime-Valid Confirmation of Covariate Balance for Prespecified Corrections [0.6599344783327052]
逐次的未ラベルのターゲット入力から予め特定された修正の正当性を確認する。
実験では、偽確認制御、バランス機能クラスへの局所性、KLドリフト診断、許容領域モニタリング、有限ソース効果が示されている。
論文 参考訳（メタデータ） (2026-07-25T11:21:17Z) - Diagnosing Correctness Probes under Self-Judgement Confounding [1.2691047660244335]
隠れ状態の読み出しは言語モデル出力が正しいかどうかを予測することができるが、客観的正当性(OC)は通常、モデル自身の自己判断(SJ)に一致する。
我々は、OCとSJが反対の読み出し順序を予測する競合ケースを構築する。
因子的SJ-およびOC関連方向を推定し、数学的推論と事実的リコールの間でそれらの極性を評価する。
論文 参考訳（メタデータ） (2026-07-18T12:45:49Z) - EnTrust: Modeling Inter-Modal Conflict for Trustworthy Multimodal Medical Image Analysis [41.67522319355107]
EnTrustは、モーダル間紛争を予測の不確実性の主要な原因として扱うフレームワークである。
最強のベースラインに比べてキャリブレーション誤差を40%削減しつつ、最先端のセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2026-06-19T12:43:50Z) - Anytime-Valid Confirmation of Label-Shift Corrections [0.6599344783327052]
小規模の科学的展開では、ラベル付けされた目標結果が、信頼できるシフト推定には不足している可能性がある。
本研究では,ラベルシフト補正予測とソース予測との観測確率比が条件付きe値であることを示す。
論文 参考訳（メタデータ） (2026-06-12T02:03:21Z) - Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。
このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。
そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
論文 参考訳（メタデータ） (2026-05-23T06:27:42Z) - Perturb and Correct: Post-Hoc Ensembles using Affine Redundancy [0.0]
P&C(Perturb-and-Correct)は,1つの事前学習ネットワークから多様な予測器を構築する手法である。
P&Cは後続のアフィン層に最小二乗補正を施したランダムな隠れ層摂動を適用し、キャリブレーションデータに同意する予測器を発生させる。
実証的には、P&C は MuJoCo の動的予測と CIFAR-10 OOD 検出にまたがる強力な ID/OOD トレードオフを実現している。
論文 参考訳（メタデータ） (2026-05-02T22:48:11Z) - Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。
各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。
これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
論文 参考訳（メタデータ） (2026-04-20T13:25:40Z) - LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。
本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。
texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
論文 参考訳（メタデータ） (2026-02-19T16:45:38Z) - BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。
本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
論文 参考訳（メタデータ） (2025-07-14T17:13:06Z)
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。