論文の概要: Thyroid Nodule Segmentation in Ultrasound Images with Conformal Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2610.13604v1
• Date: Fri, 09 Oct 2026 13:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.607538
• Title: Thyroid Nodule Segmentation in Ultrasound Images with Conformal Uncertainty Estimation
• Title（参考訳）: コンフォーマル不確実性推定を用いた超音波画像の甲状腺結節分割
• Abstract要約: 本稿では,DeepLabV3+,チャネルアテンションモジュール,およびポストホックコンフォメーション予測を統合した甲状腺結節分節フレームワークを提案する。 我々はTN3K公開ベンチマークのすべての構成を固定分割を用いて評価し、それらを最先端の手法と直接比較する。
• 参考スコア（独自算出の注目度）: 0.45880283710344066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thyroid nodules affect a large proportion of the general population. Although most are benign, a non-negligible fraction is malignant. Ultrasound imaging is the primary diagnostic modality, and accurate nodule segmentation is a prerequisite for CAD systems to classify malignancy and assess metastatic risk.\\ In this work, we propose a thyroid nodule segmentation framework that integrates a DeepLabV3+, channel-attention modules and post-hoc conformal prediction, providing both accurate mask and pixel-level uncertainty estimates. We address thyroid ultrasound nodule segmentation as the first stage of a pipeline that also includes malignancy classification and metastatic risk prediction. We adopt DeepLabV3+, whose Atrous Spatial Pyramid Pooling (ASPP) captures multi-scale context, with an EfficientNet-B5 backbone for its accuracy-efficiency trade-off. Additionally, we test three channel-attention modules: Squeeze-and-Excitation, CBAM and Grouped Channel Attention (GCA), paired with two loss formulations (Dice-BCE and Boundary).\\ Since binary masks do not indicate prediction confidence, we wrap the trained model with a split conformal prediction layer that produces pixel-level uncertainty maps with statistical coverage guarantees.\\ We evaluate all configurations on the TN3K public benchmark using a fixed split and directly compare them with state-of-the-art methods. The plain backbone already improves upon previously reported results, with CBAM + Dice-BCE emerging as the best overall configuration.
• Abstract（参考訳）: 甲状腺結節は一般人口の大部分に影響を及ぼす。 多くは良性であるが、非良性は悪性である。 超音波画像検査は診断の基本的な方法であり,正確な結節分割はCADシステムにおいて悪性度を分類し,転移リスクを評価するための必須条件である。 本稿では,DeepLabV3+,チャネルアテンションモジュール,およびポストホックコンフォメーション予測を統合した甲状腺結節分割フレームワークを提案する。 甲状腺超音波結節分節は,悪性度分類と転移リスク予測を含むパイプラインの第1段階である。 我々は、Atrous Space Pyramid Pooling (ASPP)がマルチスケールのコンテキストをキャプチャするDeepLabV3+を採用する。 さらに,Squeeze-and-Excitation,CBAM,Grouped Channel Attention (GCA) の3つのチャンネルアテンションモジュールを2つの損失定式化(Dice-BCE,Bundary)と組み合わせてテストした。 2値マスクは予測信頼度を示さないため、統計的カバレッジを保証する画素レベルの不確実性マップを生成する分割共形予測層でトレーニングされたモデルをラップする。 固定分割を用いてTN3K公開ベンチマークのすべての構成を評価し、それらを最先端の手法と直接比較する。 通常のバックボーンは、CBAM + Dice-BCEが最高の設定として登場し、すでに報告された結果が改善されている。

関連論文リスト

• PRIME: Prototype-Driven Multimodal Pretraining for Cancer Prognosis with Missing Modalities [86.63247982275396]
  PRIMEは、欠落を認識したマルチモーダルな自己教師型事前トレーニングフレームワークである。 部分的に観察されたコホートから頑健で伝達可能な表現を学ぶ。 The Cancer Genome AtlasのPRIMEを32種類の癌に対してラベルフリープレトレーニングで評価した。
  論文  参考訳（メタデータ） (2026-04-05T21:14:27Z)
• A Deep Learning Framework for Thyroid Nodule Segmentation and Malignancy Classification from Ultrasound Images [2.875000842489767]
  本稿では,完全自動化された悪性度予測のための2段階のフレームワークを提案する。 本手法は,臨床的に関係のある領域にのみ集中させ,解釈可能性を実現する。 これは、超音波画像上で甲状腺結節を検出し、悪性度を予測するための、最初の完全なエンドツーエンドパイプラインである。
  論文  参考訳（メタデータ） (2025-11-14T23:23:24Z)
• Depth-Sequence Transformer (DST) for Segment-Specific ICA Calcification Mapping on Non-Contrast CT [38.85617601239779]
  従来の3Dモデルは、縮小されたボリュームや分離されたパッチを処理せざるを得ない。 我々は,3次元課題を1次元軸方向に沿ったtextbfParallel Probabilistic Landmark Localizationタスクとして再構成する。 フル解像度CTボリュームを2次元スライスシーケンスとして処理するフレームワークである textbfDepth-Sequence Transformer (DST) を提案する。
  論文  参考訳（メタデータ） (2025-07-10T23:12:12Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• SUPER-Net: Trustworthy Image Segmentation via Uncertainty Propagation in Encoder-Decoder Networks [0.17398560678845076]
  SUPER-Netは、不確実性伝播による信頼できる画像セグメンテーションのためのフレームワークである。 分割された画像と画素単位の不確実性マップの2つの出力を同時に生成する。 以上の結果から, SUPER-Netは最先端モデルよりもロバスト性と精度が優れていた。
  論文  参考訳（メタデータ） (2021-11-10T22:46:05Z)
• Uncertainty-driven refinement of tumor-core segmentation using 3D-to-2D networks with label uncertainty [0.13135750017147135]
  bratsデータセットは、ハイグレードと低グレードのグリオーマの混合物を含む。 DeepSCANは不確実性の損失を使用して訓練されました。 線形回帰法とランダム森林分類を併用した高次グリオーマ患者の生存率を予測した。
  論文  参考訳（メタデータ） (2020-12-11T15:57:34Z)

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。