論文の概要: Beyond Accuracy: Uncertainty-Guided Boundary Refinement for Reliable Biomedical Image Segmentation

• arxiv url: http://arxiv.org/abs/2609.12892v1
• Date: Fri, 11 Sep 2026 14:21:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.772279
• Title: Beyond Accuracy: Uncertainty-Guided Boundary Refinement for Reliable Biomedical Image Segmentation
• Title（参考訳）: バイオメディカル・イメージ・セグメンテーションの精度を超えて
• Abstract要約: 本研究では,信頼性に配慮した画像分割のためのRABR-Netを提案する。 UNet++の強力なEfficientNet-B4ベースセグメンタは、最初に初期クラス確率とログを生成する。 予測エントロピー、テスト時間拡張分散、マージン不確実性、確率勾配、ソフト境界キューを結合して境界対応信頼性表現を行う。 この表現は、基地予測の確実な領域を保持しつつ、不確実な境界画素を選択的に補正するゲート残留精細器を誘導する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate biomedical image segmentation requires not only high global overlap but also reliable delineation of clinically meaningful boundaries. In blood-smear microscopy, cytoplasm and nucleus contours provide the structural basis for downstream morphology analysis; however, deep segmentation models may remain uncertain or overconfident near ambiguous boundary regions even when achieving strong Dice scores. This work proposes a Reliability-Aware Boundary Refinement Network (RABR-Net), a two-stage framework for trustworthy image segmentation. A strong UNet++ EfficientNet-B4 base segmenter first produces initial class probabilities and logits. Predictive entropy, test-time augmentation variance, margin uncertainty, probability gradients, and soft boundary cues are then combined into a boundary-aware reliability representation. This representation guides a gated residual refiner that selectively corrects uncertain boundary pixels while preserving confident regions of the base prediction. The framework is evaluated using overlap accuracy, class-wise Dice, Boundary Dice, HD95/ASSD, calibration, risk--coverage analysis, robustness under image perturbations, qualitative correction maps, and paired statistical testing. On the held-out test set, the proposed method improves Dice from 0.9602 to 0.9614, Boundary Dice from 0.3448 to 0.3611, and HD95 from 3.0354 to 2.8274 compared with the cached base prediction. Statistical analysis confirms significant improvements in Dice, Boundary Dice, and HD95. Qualitative results show that the learned gate concentrates around uncertain cytoplasm and nucleus boundaries, and correction maps confirm localized boundary refinement. Although calibration does not automatically improve after refinement, the proposed framework provides an interpretable and reliability-focused strategy for boundary-sensitive biomedical image segmentation.
• Abstract（参考訳）: 正確なバイオメディカル画像のセグメンテーションは、高い大局的なオーバーラップだけでなく、臨床的に有意な境界線を確実に記述する必要がある。 血液スミア顕微鏡では、細胞質と核の輪郭が下流形態解析の基盤となるが、強いDiceスコアを達成しても、深いセグメンテーションモデルが不確実あるいは不明瞭な境界付近に留まる可能性がある。 本研究では,信頼に値する画像セグメンテーションのための2段階フレームワークであるRABR-Netを提案する。 UNet++の強力なEfficientNet-B4ベースセグメンタは、最初に初期クラス確率とログを生成する。 予測エントロピー、テスト時間拡張分散、マージン不確実性、確率勾配、ソフト境界キューを結合して境界対応信頼性表現を行う。 この表現は、基地予測の確実な領域を保持しつつ、不確実な境界画素を選択的に補正するゲート残留精細器を誘導する。 このフレームワークは、オーバーラップ精度、クラスワイドDice、バウンダリDice、HD95/ASSD、キャリブレーション、リスクカバレッジ分析、画像摂動下での堅牢性、定性的補正マップ、ペア統計検査を用いて評価される。 ホールドアウトテストセットでは、キャッシュベース予測と比較して、Diceを0.9602から0.9614に、Bundary Diceを0.3448から0.3611に、HD95を3.0354から2.8274に改善する。 統計分析により、Dice、Bundary Dice、HD95の大幅な改善が確認されている。 定性的な結果は、学習ゲートが不確実な細胞質と核の境界に集中していることを示し、補正マップは局所的な境界の洗練を確認している。 キャリブレーションは改良後に自動的には改善されないが,本フレームワークは,境界感応性バイオメディカルイメージセグメンテーションのための解釈可能かつ信頼性を重視した戦略を提供する。

関連論文リスト

• Robustness Evaluation of a Foundation Segmentation Model Under Simulated Domain Shifts in Abdominal CT: Implications for Health Digital Twin Deployment [0.0]
  SAM(Segment Anything Model)のような基盤セグメンテーションモデルは、自然画像全体にわたって強力な一般化を実証している。 腹部CTにおける脾分画に対するSAMの系統的スライスレベルロバストネス検査を,41巻の非空切片1,051を用いて行った。
  論文  参考訳（メタデータ） (2026-04-28T14:16:20Z)
• Controlling False Positives in Image Segmentation via Conformal Prediction [2.339515934428971]
  本稿では,疑似肯定予測の分布自由な画像レベル制御による信頼マスク構築のための簡易なフレームワークを提案する。 本フレームワークは,オーバーセグメンテーションが臨床効果をもたらすような環境で,実用的なリスク対応セグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2025-11-19T13:02:50Z)
• Uncertainty-Aware Segmentation Quality Prediction via Deep Learning Bayesian Modeling: Comprehensive Evaluation and Interpretation on Skin Cancer and Liver Segmentation [1.428446217085158]
  そこで本研究では,テスト期間中に真理アノテーションを必要とせずにセグメンテーションの品質を予測できる新しいフレームワークを提案する。 我々のフレームワークは、HAM10000データセット上のR2スコア93.25とピアソン相関96.58を達成している。 3次元肝セグメンテーションでは、エントロピーによるテスト時間増強はR2スコア85.03、ピアソン相関65.02を達成し、モダリティ間の堅牢性を示す。
  論文  参考訳（メタデータ） (2025-08-02T18:30:32Z)
• 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)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• SUPER-Net: Trustworthy Image Segmentation via Uncertainty Propagation in Encoder-Decoder Networks [0.17398560678845076]
  SUPER-Netは、不確実性伝播による信頼できる画像セグメンテーションのためのフレームワークである。 分割された画像と画素単位の不確実性マップの2つの出力を同時に生成する。 以上の結果から, SUPER-Netは最先端モデルよりもロバスト性と精度が優れていた。
  論文  参考訳（メタデータ） (2021-11-10T22:46:05Z)
• Incorporating Boundary Uncertainty into loss functions for biomedical image segmentation [2.5243042477020836]
  対象境界に対するソフトラベリングを制限するために形態的操作を用いる境界不確実性を提案する。 境界不確かさをDiceの損失と組み合わせることで、3つの有効なバイオメディカルイメージングデータセット間で一貫して性能を向上する。
  論文  参考訳（メタデータ） (2021-10-31T16:19:57Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
  関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。 対象境界を検出するために,2つの予測層を持つフレームワークを提案する。 我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
  論文  参考訳（メタデータ） (2020-03-25T22:44:48Z)

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。