論文の概要: Scores That Hold, Benchmarks That Leak: Measuring Dataset Contamination in Public Brain-Tumor MRI Classification

• arxiv url: http://arxiv.org/abs/2610.00421v1
• Date: Wed, 30 Sep 2026 15:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.652542
• Title: Scores That Hold, Benchmarks That Leak: Measuring Dataset Contamination in Public Brain-Tumor MRI Classification
• Title（参考訳）: 公的な脳腫瘍MRI分類におけるデータセット汚染の測定
• Abstract要約: 本稿では,この文献が残す公共コーパスを評価するための3層汚染フレームワークを提案する。 胸部X線写真陰性制御に対して最も広く用いられている3つのコーパスを検査し,各層が測定性能に与える影響を定量化した。 汚染されたファイルのリスト、回復した患者の識別子、重複した分割を公開します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated classification of brain tumors from MRI is a heavily published application of deep learning in medical imaging, with reported accuracies on public benchmarks routinely exceeding 98%. However, accuracy does not capture a critical dimension of benchmark quality: dataset integrity, defined as the independence of test from training data at the image, patient, and acquisition-source levels. We introduce a three-layer contamination framework comprising duplicate, patient, and source-label leakage to assess the public corpora on which this literature rests. We audit the three most widely used corpora against a chest-radiograph negative control and quantify each layer's effect on measured performance across nine architectures and three evaluation conditions. Contamination is severe at every layer: 28.8% of the dominant corpus's official test split has a near-twin in its own training split, a second corpus leaks 22.3% of its test images byte-identically, 95.5% of traceable test images share a patient with training, and file-header features containing no anatomy separate tumor from no-tumor at 0.959 balanced accuracy, at parity with fine-tuned ResNet backbones. The unexpected result is that removing every identified leaked test image leaves balanced accuracy essentially unchanged: stable performance after deduplication does not establish benchmark integrity. Our findings establish dataset integrity as a distinct, measurable axis of benchmark quality that a stable leaderboard cannot certify. For biomedical research, reported accuracy on these corpora alone does not establish that a model has learned to recognize tumors rather than exploit dataset-specific cues. We release the contaminated-file lists, recovered patient identifiers, and deduplicated splits.
• Abstract（参考訳）: MRIによる脳腫瘍の自動分類は、医用画像におけるディープラーニングの応用として広く公表されており、公的なベンチマークの精度が98%を超えることが報告されている。 しかし、精度はベンチマーク品質の重要な次元を捉えていない。データセットの完全性は、画像、患者、および取得ソースレベルでのトレーニングデータからテストの独立性として定義される。 本報告では, 患者, ソースラベルの漏洩を重畳した3層汚染機構を導入し, 文献が残されている公衆コーパスの評価を行う。 胸部X線写真陰性制御に対して最も広く使用されている3つのコーパスを検査し,9つのアーキテクチャおよび3つの評価条件における各層の効果を定量的に評価した。 汚染は全ての層で深刻で、支配的なコーパスの公式な試験分割の28.8%は、自身のトレーニング分割においてほぼツインであり、第2コーパスは、そのテストイメージの22.3%を個別にリークし、95.5%のトレーサブルテストイメージは、訓練を受けた患者を共有し、959の精度で非腫瘍から解剖学的に分離された腫瘍を含むファイルヘッダーの特徴は、微調整されたResNetバックボーンと同等である。 予期せぬ結果は、識別されたすべてのテストイメージを削除することは、基本的にバランスの取れた正確さを損なうことである。 この結果から,データセットの整合性は,安定したリーダボードでは証明できないような,ベンチマーク品質の明瞭で測定可能な軸として確立された。 バイオメディカル研究において、これらのコーパスについて報告された精度は、モデルがデータセット固有の手がかりを利用するのではなく、腫瘍を認識することを学んでいることを証明していない。 汚染されたファイルのリスト、回復した患者の識別子、重複した分割を公開します。

関連論文リスト

• Trustworthy Medical Segmentation: Uncertainty-Aware U-Net Evaluation Under Clinical Image Degradation [0.0]
  臨床劣化下での不確実性認識セグメンテーションを評価するための枠組みを提案する。 セグメンテーションの精度、校正、故障検出、選択的予測カバレッジを測定する。 これらの結果は, 医師・医師・医科医の安全層としての不確実性を考慮した推論を論じるものである。
  論文  参考訳（メタデータ） (2026-07-22T06:35:33Z)
• Model Confidence-Guided Multi-Image Fusion of Fundus Images for Diabetic Retinopathy Diagnosis [0.0]
  医療へのアクセスが制限されている低所得国や中所得国では、早期の眼病検診が重要である。 信頼性誘導型多像性糖尿病網膜症診断フレームワークが画像フィルタリングと信頼度認識予測を統合できるかどうかを検討した。
  論文  参考訳（メタデータ） (2026-07-03T23:48:32Z)
• 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)
• Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
  脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。 マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
  論文  参考訳（メタデータ） (2025-12-07T14:03:28Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• Towards Trustworthy Breast Tumor Segmentation in Ultrasound using Monte Carlo Dropout and Deep Ensembles for Epistemic Uncertainty Estimation [0.01066386648660129]
  乳房超音波セグメンテーションにおけるResidual U-Netの応用について検討した。 BUSIデータセットにおけるデータ重複の同定と補正を行う。 モンテカルロ・ドロップアウト、ディープアンサンブル、およびそれらの組み合わせを用いて、疫学的不確実性を定量化する。
  論文  参考訳（メタデータ） (2025-08-25T08:06:07Z)
• 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)
• Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis using MRI Images and Ensemble Bagging Classifier [1.487444917213389]
  本稿では,MRI画像を用いた統合失調症診断のための軽量3次元畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 精度は92.22%、感度94.44%、特異度90%、精度90.43%、リコール94.44%、F1スコア92.39%、G平均92.19%である。
  論文  参考訳（メタデータ） (2022-11-05T10:27:37Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。