論文の概要: Uncertainty-driven training for three-dimensional calibrated lung nodule classification

• arxiv url: http://arxiv.org/abs/2609.20905v1
• Date: Thu, 17 Sep 2026 15:25:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.739498
• Title: Uncertainty-driven training for three-dimensional calibrated lung nodule classification
• Title（参考訳）: 3次元校正肺結節分類のための不確かさ駆動トレーニング
• Abstract要約: モンテカルロ・ドロップアウト(MCD)とエビデンシャル・ディープ・ラーニング(EDL)の2つの不確実性定量化(UQ)手法の検討 本稿では,3次元CT肺結節分類のための不確実性駆動型トレーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we present an uncertainty-driven training framework for three-dimensional computed tomography (CT) lung nodule classification, where validation-based uncertainty estimates guide loss reweighting to enhance predictive performance and probability calibration. Two Uncertainty Quantification (UQ) methods are considered: Monte Carlo Dropout (MCD) and Evidential Deep Learning (EDL). Both provide per-class uncertainty estimates that modulate the loss and encourage focus on hard or unreliable classes. The framework is evaluated with ResNet, DenseNet, EfficientNet, Vision Transformer (ViT), and Swin Transformer backbones on two datasets: the clinical LIDC-IDRI cohort and the NoduleMNIST3D benchmark. Uncertainty-driven training achieves classification performance similar to conventional training while substantially improving calibration, with an expected calibration error (ECE) reduced by up to 65% on LIDC-IDRI. EDL attains competitive performance on shallower architectures with single-pass inference, whereas MCD is more robust on deeper networks. Analysis across architectural families reveals that uncertainty-driven training benefits convolutional backbones more consistently than transformer-based architectures: EDL in particular degrades on ViT, suggesting that the Dirichlet evidence parameterisation may interact unfavourably with attention-based architectures at lower input resolutions. A posteriori temperature scaling proves highly effective across all configurations, indicating that a simple scalar calibration can be competitive even without explicit uncertainty-aware training. Our results indicate that integrating UQ into the training loop can significantly improve probabilistic calibration and support more trustworthy deployment of three-dimensional medical imaging models.
• Abstract（参考訳）: 本研究では,3次元CT肺結節分類のための不確実性駆動型トレーニングフレームワークを提案する。 モンテカルロ・ドロップアウト (MCD) とエビデンシャル・ディープ・ラーニング (EDL) の2つの不確実性定量化 (UQ) 手法が検討されている。 どちらも、損失を変調し、ハードクラスや信頼できないクラスに焦点を合わせるクラスごとの不確実性の推定を提供する。 このフレームワークはResNet, DenseNet, EfficientNet, Vision Transformer (ViT), Swin Transformerの2つのデータセット(臨床LIDC-IDRIコホートとNoduleMNIST3Dベンチマーク)で評価されている。 不確実性駆動訓練は、LIDC-IDRIで最大65%のキャリブレーション誤差(ECE)を減少させ、キャリブレーションを大幅に改善しながら、従来のトレーニングと同様の分類性能を達成する。 EDLはシングルパス推論による浅層アーキテクチャ上での競合性能を実現しているが、MCDはより深いネットワーク上でより堅牢である。 EDLは、特にViTを劣化させ、ディリクレのエビデンスパラメータ化は、低い入力解像度で注意ベースのアーキテクチャと不当に相互作用する可能性があることを示唆している。 後部温度のスケーリングは、すべての構成において非常に効果的であることが証明され、単純なスカラーキャリブレーションは、明示的な不確実性学習を伴わずに競争可能であることが示される。 以上の結果から,UQをトレーニングループに統合することにより,確率的キャリブレーションが大幅に向上し,医用3次元画像モデルの信頼性が向上することが示唆された。

関連論文リスト

• Joint Training of Multi-Token Prediction in Reinforcement Learning via Optimal Coefficient Calibration [61.46060073417047]
  MTP(Multi-Token Prediction)は、事前トレーニングにおいて広く採用されているモジュールである。 RL目標に対するMPPの段差効果は,第1次相関と第2次ペナルティの2つの項に分解できることを示す。 本稿では,ログ確率プロキシを用いて最適係数を無視可能なコストでオンラインで追跡する適応型手法を提案する。
  論文  参考訳（メタデータ） (2026-05-27T09:07:06Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• CLUE: Neural Networks Calibration via Learning Uncertainty-Error alignment [7.702016079410588]
  CLUE(Calibration via Learning Uncertainty-Error Alignment)は,学習中の予測不確かさを観測誤差と整合させる新しい手法である。 CLUEは,最先端のアプローチに対して,キャリブレーション品質と競争予測性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-05-28T19:23:47Z)
• Uniform convergence of the smooth calibration error and its relationship with functional gradient [15.875913304310297]
  この研究は滑らかな校正誤差(CE)に焦点を当て、一様収束境界を提供する。 我々は3つの代表的なアルゴリズムを解析する: 勾配の押し上げ木、カーネルの押し上げ、2層ニューラルネットワーク。 この結果は,信頼性のある確率モデルを設計するための新たな理論的洞察と実践的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-05-26T01:23:56Z)
• Improving Deep Learning Model Calibration for Cardiac Applications using Deterministic Uncertainty Networks and Uncertainty-aware Training [2.0006125576503617]
  深層学習(DL)分類モデル校正の改善を目的とした2種類のアプローチの精度と校正への影響を評価する。 具体的には、3つのDUMと2つの不確実性を考慮したトレーニングアプローチ、およびそれらの組み合わせの性能を検証した。 以上の結果から,DUMと不確実性を考慮したトレーニングが両アプリケーションの精度と校正の両面で向上することが示唆された。
  論文  参考訳（メタデータ） (2024-05-10T14:07:58Z)
• 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)

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。