論文の概要: Evolving Error States: Failure-Aware Progressive Repair for Ultrasound Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2609.18256v1
• Date: Wed, 16 Sep 2026 07:35:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.69469
• Title: Evolving Error States: Failure-Aware Progressive Repair for Ultrasound Lesion Segmentation
• Title（参考訳）: Evolving Error States: Aware Progressive repair for Ultrasound Lesion Segmentation (第2報)
• Abstract要約: FAPR(Failure-Aware Progressive repair)は、構造化予測における反復的なエラーフィードバックにインスパイアされている。 FAPRは、現在のセグメンテーションマスクを動的障害状態として表現する。 条件付きルーティングは必要な状態遷移を起動し、障害リプレイはモデルを稀なエラー状態に公開する。
• 参考スコア（独自算出の注目度）: 23.817852037743524
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Reliability under sparse and heterogeneous failures remains a fundamental challenge for medical image segmentation. High average accuracy can conceal a small set of structurally distinct and clinically consequential errors. Existing post-hoc correction methods alleviate this problem, but typically estimate false-positive and false-negative corrections from the same fixed prediction. This ignores the dynamic evolution of error states and limits the correction of complex cases. Inspired by iterative error feedback in structured prediction, we propose Failure-Aware Progressive Repair (FAPR). FAPR represents the current segmentation mask as a dynamic failure state and models each repair operation as a state-transition operator. Each accepted correction forms a new prediction state for subsequent error diagnosis and repair, enabling later operations to adapt to preceding changes. Conditional routing selectively activates necessary state transitions, while failure replay exposes the model to rare error states. By keeping the base segmentor frozen, FAPR preserves its established segmentation capability while improving difficult cases. Across three public ultrasound lesion segmentation benchmarks, FAPR improves mean DSC by 1.52%. On the very-hard subsets of BUSI and TN3K, the average gain reaches 13.77%.
• Abstract（参考訳）: スパースおよび異種故障による信頼性は、医用画像分割の根本的な課題である。 高い平均精度は、構造的に異なる小さなセットと臨床的に連続したエラーを隠蔽することができる。 既存のポストホック補正法はこの問題を緩和するが、典型的には同じ固定予測から偽陽性と偽陰性の補正を推定する。 これはエラー状態の動的進化を無視し、複雑なケースの修正を制限する。 構造化予測における反復的エラーフィードバックに着想を得て, フェール・アウェア・プログレッシブ・プログレッシブ・修復(FAPR)を提案する。 FAPRは、現在のセグメンテーションマスクを動的障害状態として表現し、各修復操作を状態遷移演算子としてモデル化する。 受け入れた各補正は、後のエラー診断と修復のための新しい予測状態を形成し、後の操作が前の変更に適応できるようにする。 条件付きルーティングは必要な状態遷移を選択的に活性化し、障害リプレイはモデルを稀なエラー状態に公開する。 FAPRは, 基本セグメンタの凍結を保ちながら, 確立したセグメンタ化能力を保ちながら, 難易度を向上する。 3つの公開超音波病変セグメンテーションベンチマークで、FAPRは平均DSCを1.52%改善した。 BUSIとTN3Kの非常にハードなサブセットでは、平均利回りは13.77%に達する。

関連論文リスト

• Test-time Adaptation of Pelvic Bone Segmentation Models via Dynamic Reliability-Guided [62.10276009853225]
  ロボットによる骨盤外傷手術には,CTによる骨切片の信頼性が不可欠である。 既存の方法はPBSに対して限られた有効性を示した。 PBSのための新しいクローズドループ動的信頼性ガイドフレームワーク(ReGA)を提案する。
  論文  参考訳（メタデータ） (2026-08-01T08:13:20Z)
• GEN-Guard: Correcting Generalization Failures for Deployable Federated Surgical AI [6.5103046798297655]
  外科的ビデオAIにおけるフェデレーション学習は、機密データを共有することなく、協調的なモデルトレーニングを可能にする。 標準的な評価プラクティスは、最適なデプロイメント選択につながる可能性がある。 連合型外科用AIにおける一般化障害の検出と修正のためのGEN-Guardを提案する。
  論文  参考訳（メタデータ） (2026-06-18T14:38:27Z)
• TS-Fault: Benchmarking Time Series Forecasters Against Structural Faults [22.88447833683736]
  時系列予測(TSF)は、エネルギー、輸送、金融、医療の連続的な決定を支えている。 TSFモデルは、デプロイされた信頼性を予測するという暗黙の仮定の下で、クリーンなホールトアウトデータ上の1つの数でほぼ普遍的にランク付けされる。 TS-Faultは、制御可能な意味的難易度を持つ明示的でパラメータ化された障害シナリオの下で予測モデルを評価するベンチマークである。
  論文  参考訳（メタデータ） (2026-06-16T23:15:20Z)
• When Attribution Patching Lies: Diagnosis and a Second-Order Correction [9.338965648455238]
  本研究は, 下流ネットワークの非直線性に起因する誤差が, パッチ成分の局所曲率よりも大きいことを示す。 この洞察は、(i)信頼できない見積もりを検出するための信頼性スコア、(ii)エラー境界がポテンシャル属性の誤特定を定量化すること、(iii)Hessian-vector-product correctが1つの後進パスで先行エラーを除去すること、の3つの実用的なツールをもたらす。
  論文  参考訳（メタデータ） (2026-06-05T05:20:32Z)
• LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
  大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。 CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
  論文  参考訳（メタデータ） (2026-05-02T11:31:33Z)
• SAAG: Structured Agent Assessment and Grounding [13.62148061055744]
  本稿では,エージェント呼び出し評価を3段階に分解するケースケード診断フレームワークを提案する。 このフレームワークは,5,10,15エージェントのレジストリサイズにまたがって,Glaiveの関数呼び出しデータセットから得られたベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-04-30T19:33:58Z)
• Deep Doubly Debiased Longitudinal Effect Estimation with ICE G-Computation [13.1234934131475]
  シーケンシャルな意思決定には縦断的治療効果の推定が不可欠であるが, 共同ファウンダーのフィードバックにより困難である。 D3-Netは,ICEトレーニングにおける誤りの伝播を軽減し,堅牢な最終補正を行うフレームワークである。 我々のモデルであるD3-Netは、異なる地平線、反事実、時間的差異の偏りと分散を頑健に低減します。
  論文  参考訳（メタデータ） (2026-02-12T20:16:27Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
  大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。 我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:35:37Z)
• Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
  本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。 ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。 標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-03T05:56:57Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。