論文の概要: MIRTO: a registration-gated, multiverse-tested evaluation protocol for unsupervised anomaly segmentation in brain MRI
- arxiv url: http://arxiv.org/abs/2610.02136v1
- Date: Thu, 01 Oct 2026 17:44:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.350823
- Title: MIRTO: a registration-gated, multiverse-tested evaluation protocol for unsupervised anomaly segmentation in brain MRI
- Title（参考訳）: MIRTO:脳MRIにおける教師なし異常セグメント化のための登録型多面的評価プロトコル
- Abstract要約: 選択を明示し,その効果を測定する評価プロトコルであるMIRTOを提案する。
MIRTOは、登録チェックとラベルなしの既知のパワー診断との全ての比較の幾何学をゲートする。
15,552個の補正可能な評価パイプラインをそれぞれ比較し、多重度制御によるペアリングされた対象-ブートストラップ間隔を付加する。
- 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: Unsupervised anomaly detection (UAD) methods for brain MRI are ranked by a single score, yet that score rests on choices that are rarely reported: how each anomaly map is aligned with the reference, how and on which data the threshold is set, and which false-positive budget, metric, aggregation and lesion definition are used. We present MIRTO, an evaluation protocol that makes these choices explicit and measures their effect. It gates the geometry of every comparison with a registration check and label-free diagnostics of known power, sets thresholds on validation data alone and reports the false-positive volume actually realised on test, repeats each comparison over 15,552 defensible evaluation pipelines, and attaches paired subject-bootstrap intervals with multiplicity control. Applied to four UAD methods trained on the same healthy data and tested on 312 BraTS 2020 subjects, MIRTO showed that an axis-order mismatch between stored maps and the reference lowered a diffusion model's voxel AUROC from 0.873 to 0.583 whilst barely moving its slice-level AUROC. Within each metric, the method explained at least 0.95 of the variance in voxel AUROC and AUPRC and 0.77 in Dice, but only 0.14 in lesion sensitivity, where the lesion definition and hit criterion dominated. A Dice advantage that was significant at validation thresholds vanished at equal realised false-positive burden, and an exact identity attributes it to threshold transfer. A training-free change to REFLECT's latent aggregation raised Dice at equal burden by 0.052. Nine hypotheses were tested against explicit criteria; because the same cohort served to develop the protocol, all inference is exploratory.
- Abstract（参考訳）: 脳MRIの教師なし異常検出法(UAD)は、単一のスコアでランク付けされるが、スコアは、各異常マップが基準とどのように一致しているか、しきい値が設定されているか、どの偽陽性予算、メートル法、集計、病変定義が使用されるかという、報告されない選択にかかっている。
MIRTOは、これらの選択を明確にし、その効果を測定するための評価プロトコルである。
これは、既知のパワーの登録チェックとラベルなし診断との全ての比較のジオメトリをゲートし、検証データのみにしきい値を設定し、実際にテストで実現された偽陽性ボリュームを報告し、各比較を15,552以上の検出可能な評価パイプラインで繰り返し、ペア化された被検体-ブートストラップ間隔を多重性制御でアタッチする。
同じ健康データに基づいて訓練され、312 BraTS 2020の被験者でテストされた4つのUAD法に対して、MIRTOは、保存された地図と参照間の軸方向のミスマッチが、スライスレベルのAUROCをほとんど動かしながら拡散モデルのVoxel AUROCを0.873から0.583に低下させることを示した。
各測定基準では、ボクセルAUROCとAUPRCの変動の少なくとも0.95とDiceの0.77を説明できるが、病変の感度は0.14のみであり、病変の定義とヒット基準が支配的であった。
検証しきい値において重要なDiceの利点は、同等に実現された偽陽性の重荷で消滅し、正確な同一性はしきい値の転送に寄与した。
REFLECTの潜伏アグリゲーションに対するトレーニングなしの変更により、Diceは0.052倍の負担で上昇した。
同じコホートがプロトコルの開発に役立ったため、すべての推論は探索的である。
関連論文リスト
- Beyond Benchmark Scores: Auditing Medical Vision-Language Models for Chest X-Ray Tuberculosis Screening [7.698602367824994]
医学モデルのベンチマークスコアは、同じ結論が異なる評価の下で成り立つことを証明していない。
本研究は,コホート,プロンプト,負スペクトル,特定の有病率,動作しきい値の変化がモデルランキング,スコア信頼性,スクリーニング性能に与える影響を検証した。
論文 参考訳（メタデータ） (2026-09-18T13:33:57Z) - CARDEA: Auditable Reasoning Grounded in Spatial Evidence for End-to-End Coronary Angiography Interpretation [0.0]
既存のAIシステムは一貫性を向上させることができるが、監査可能な意思決定プロセスが欠如している。
我々はCAGパイプラインの推論コアとして機能する統合された大きな視覚言語モデルであるCARDEAを開発した。
CARDEAは、選択から研究レベルの診断を通じて、生のマルチビュービデオからエンドツーエンドのCAGパイプラインを実行する。
論文 参考訳（メタデータ） (2026-09-07T02:01:27Z) - Counterfactual Fairness Audits of Multi-Step Clinical LLM Agents Require a Measured Per-Action Instability Floor [3.0704370207786265]
本研究は, アクションフロアを横に置かずに報告した反実的公正度推定値が, 相違の証拠として読めないことを示す。
FairMedAgentは, 臨床適応剤の作用の差異を評価するための評価ハーネスである。
論文 参考訳（メタデータ） (2026-09-02T23:38:17Z) - KAISEN: Reproducible Subgroup Fairness Auditing for Clinical Risk Models [0.0]
KAISENは、サブグループの成層、不均質の測定、メカニズム診断、ポストホック緩和、ドリフトモニタリングを含む5段階の監査パイプラインである。
すべての結果は、既知の根拠の真実と共に合成され、臨床的妥当性が確立されない。
論文 参考訳（メタデータ） (2026-07-30T17:57:18Z) - Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。
テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
論文 参考訳（メタデータ） (2026-06-17T08:10:30Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。
健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。
我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
論文 参考訳（メタデータ） (2025-12-01T11:03:27Z) - Deep learning-based segmentation of T1 and T2 cardiac MRI maps for automated disease detection [0.2593137041747032]
組織マッピングは、定量的な心臓組織評価を可能にするが、手動のデライン化において、オブザーバ間の変動によって制限される。
平均緩和値と単一カットオフに依存する従来のアプローチは、複雑さを過度に単純化する可能性がある。
本研究では,機械学習がサーバ間変動に匹敵するセグメンテーション精度を達成できるかどうかを評価する。
論文 参考訳（メタデータ） (2025-07-01T16:08:54Z) - Leveraging the Mahalanobis Distance to enhance Unsupervised Brain MRI Anomaly Detection [35.46541584018842]
教師なし異常検出(UAD)法は、異常を外れ値として識別するために健全なデータ分布に依存する。
脳MRIでは、再生モデルが正常な脳MRIを再構成し、異常が入力と再構成のずれとして検出される。
我々は確率的拡散モデルを用いて複数の再構成を構築し、マハラノビス距離を用いてこれらの再構成結果の分布を分析し、異常を外れ値として同定する。
論文 参考訳（メタデータ） (2024-07-17T11:02:31Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z)
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。