論文の概要: Missing Modality-Aware Calibration for Trustworthy Brain Tumor Segmentation

• arxiv url: http://arxiv.org/abs/2610.11419v1
• Date: Thu, 08 Oct 2026 07:46:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.871846
• Title: Missing Modality-Aware Calibration for Trustworthy Brain Tumor Segmentation
• Title（参考訳）: 信頼できる脳腫瘍切開のためのモダリティの欠如を意識した校正
• Abstract要約: ポストホックなボクセル単位の信頼性校正法として,MMA-LTS(Missing Modality-Aware Local Temperature Scaling)を提案する。 MMA-LTSは、様々な欠落したモダリティシナリオにまたがる最先端モデルのセグメンテーション精度を維持しながらキャリブレーションを改善する。
• 参考スコア（独自算出の注目度）: 1.009737896540116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal brain tumor segmentation typically leverages multiple MRI modalities, yet incomplete modality acquisition is common in clinical practice due to protocol heterogeneity and scan failures. Although recent methods maintain segmentation accuracy under missing modality conditions, they frequently overlook prediction reliability, leading to miscalibrated confidence estimates that hinder clinical adoption. Existing calibration techniques are largely modality-agnostic or assume that prediction difficulty decreases monotonically as additional modalities become available. However, in brain tumor segmentation, prediction difficulty depends primarily on which modalities are absent rather than how many, leading to combination-specific and spatially heterogeneous calibration errors. To address this, we propose Missing Modality-Aware Local Temperature Scaling (MMA-LTS), a post-hoc voxel-wise confidence calibration method. It estimates a spatially adaptive temperature field conditioned on a modality-availability learnable token and a voxel-wise difficulty score. Experiments on BraTS 2020 and FeTS 2024 show that MMA-LTS improves calibration while preserving the segmentation accuracy of state-of-the-art models across diverse missing-modality scenarios, thereby enhancing trustworthiness toward clinical deployment.
• Abstract（参考訳）: マルチモーダル脳腫瘍セグメンテーションは通常、複数のMRIモダリティを利用するが、プロトコルの不均一性やスキャンの失敗により、臨床実践において不完全なモダリティ獲得が一般的である。 近年の手法では, 偏差精度の維持が期待されているが, 予測信頼性をよく見落とし, 臨床応用の妨げとなる信頼度を誤算している。 既存のキャリブレーション手法は、主にモダリティに依存しないか、あるいは追加のモダリティが利用可能になると予測困難が単調に減少すると仮定する。 しかし、脳腫瘍のセグメンテーションでは、予測困難は、どのモードが欠落しているかよりも、どのモードが欠落しているかに大きく依存する。 そこで本研究では,ポストホックボクセル単位の信頼性校正法であるMissing Modality-Aware Local Temperature Scaling (MMA-LTS)を提案する。 モダリティ対応可能な学習可能なトークンとボクセルの難易度スコアを条件とした空間適応型温度場を推定する。 BraTS 2020とFeTS 2024の実験では、MMA-LTSは様々な欠落したモダリティシナリオにわたる最先端モデルのセグメンテーション精度を維持しながらキャリブレーションを改善し、臨床展開に対する信頼性を高めることが示されている。

関連論文リスト

• TwinTrack: Post-hoc Multi-Rater Calibration for Medical Image Segmentation [37.01359340333827]
  造影CTにて膵管腺癌 (PDAC) と診断した。 標準的なディープラーニングアプローチは、単一の基礎的真理を前提としており、調整が不十分で解釈が難しい確率的アウトプットを生成する。 実験的な平均人間の反応に対するアンサンブルセグメンテーション確率の時間後キャリブレーションを通じて、このギャップに対処するフレームワークであるTwinTrackを提案する。
  論文  参考訳（メタデータ） (2026-04-17T11:11:43Z)
• Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
  認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。 対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-14T02:37:46Z)
• MedFormer-UR: Uncertainty-Routed Transformer for Medical Image Classification [0.0]
  我々は、プロトタイプベースの学習と不確実性誘導ルーティングを組み込んだ修正型メディカルトランス(MedFormer)を強化する。 我々のフレームワークは、あいまいさをリアルタイムで定量化し、ローカライズすることができる。 この不確実性は単なるアウトプットではなく、トレーニングプロセスのアクティブな参加者であり、信頼性の低い機能更新をフィルタリングする。
  論文  参考訳（メタデータ） (2026-04-10T02:03:25Z)
• DGRNet: Disagreement-Guided Refinement for Uncertainty-Aware Brain Tumor Segmentation [25.65330582165925]
  本稿では,MRI脳腫瘍セグメント化のためのDGRNet(Disagreement-Guided Refinement Network)を提案する。 DGRNetは、共有エンコーダデコーダにアタッチされた4つの軽量ビュー固有アダプタを介して、多様な予測を生成する。 DGRNetは,DiceとHD95の2.4%と11%の精度で,最先端のセグメンテーション精度を良好に向上することを示した。
  論文  参考訳（メタデータ） (2026-03-22T06:56:38Z)
• L-FUSION: Laplacian Fetal Ultrasound Segmentation & Uncertainty Estimation [6.626853161057203]
  L-fusionは、教師なし、規範的学習および大規模基礎モデルを通じて不確実な定量化を統合するフレームワークである。 即時診断フィードバックのための信頼性の高い異常定量化を実現する。 不確かさの解釈を改善し、手動の病気回避の必要性を取り除く。
  論文  参考訳（メタデータ） (2025-03-07T08:57:38Z)
• 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)
• BSM loss: A superior way in modeling aleatory uncertainty of fine_grained classification [0.0]
  混合データ拡張戦略を用いた改良型ブートストラップ損失(BS損失)関数を提案する。 実験の結果,Mixup(BSM)モデルによるBS損失は,標準データ拡張と比較して予測誤差(ECE)を半減できることがわかった。 BSMモデルはドメイン外のデータのセマンティックな距離を知覚することができ、実際の臨床実践において高い可能性を示す。
  論文  参考訳（メタデータ） (2022-06-09T13:06:51Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)

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。