論文の概要: Frozen Site-Probe Accuracy Is Not a Standalone Harmonization Score: An Audit of Evaluation Practice for Multi-Site MRI
- arxiv url: http://arxiv.org/abs/2610.14140v1
- Date: Fri, 09 Oct 2026 14:35:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 22:59:26.935689
- Title: Frozen Site-Probe Accuracy Is Not a Standalone Harmonization Score: An Audit of Evaluation Practice for Multi-Site MRI
- Title（参考訳）: サイトプローブの凍結精度はスタンドアローン高調波スコアではない:マルチサイトMRIにおける評価方法の検討
- Abstract要約: 画像レベルのMRIハーモニゼーションは、生のスキャンで訓練されたサイト分類器である凍結したサイトプローブで評価され、ハーモニゼーションには適用されない。
ABIDE I (1,112 T1-weighted scans, 17 sites) で7つの調和法から10個の出力セットを出力し, 確率, 頭部形状, 強度, 前処理, 目標アライメントの制御を行う。
この判定は、生のスキャンをうまく分類するプローブであっても、プローブがどのように訓練されるかによって異なることが分かっています。
- 参考スコア（独自算出の注目度）: 1.7091033754647957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image-level MRI harmonization is often evaluated with a frozen site probe, a site classifier trained on raw scans and applied unchanged to harmonized ones: a drop in its accuracy is read as removal of site effects. We audit this practice on ABIDE I (1,112 T1-weighted scans, 17 sites) with ten output sets from seven harmonization methods and controls for chance, head shape, intensity, preprocessing and target alignment. We find that this verdict depends on how the probe is trained, even among probes that classify raw scans well: across random seeds, its balanced accuracy on the same CycleGAN outputs ranges from 0.13 to 0.59 (chance: 0.06). Low frozen-probe accuracy can also arise without harmonization: a Gaussian blur, which increases the intensity distance to the target site, lowers this accuracy to chance. Moreover, where the frozen probe fails, probes trained on the harmonized scans still recover the site, even from intensity histograms alone: on HACA3 outputs, the frozen probe scores 0.25, a probe trained on those outputs 0.75, and one using only their intensity histograms 0.71. Low frozen-probe accuracy therefore does not show that site information has been removed. We recommend reporting several probes trained to convergence, probes trained on harmonized scans, and target alignment.
- Abstract（参考訳）: 画像レベルのMRIハーモナイゼーションは、生のスキャンで訓練されたサイト分類器で評価され、ハーモナイズされたものには適用されない:その精度の低下はサイト効果の除去として読み取られる。
ABIDE I (1,112 T1-weighted scans, 17 sites) で7つの調和法から10個の出力セットを出力し, 確率, 頭部形状, 強度, 前処理, 目標アライメントの制御を行う。
この評定は、サンプルスキャンをうまく分類するプローブの間でも、どのように訓練されているかによって異なることが判明した:ランダムシード全体において、同じCycleGAN出力におけるバランスの取れた精度は、0.13から0.59の範囲である。
ガウスのぼかしは、目標地点への強度距離を増大させ、この精度をチャンスまで下げる。
さらに、凍結プローブが故障した場合、ハーモナイズドスキャンで訓練されたプローブは、強度ヒストグラムだけでサイトを回復し、HACA3出力では、凍結プローブスコア0.25、これらの出力0.75、強度ヒストグラム0.71のみを使用するプローブを使用する。
したがって、凍結確率の低い精度は、サイト情報が削除されたことを示さない。
収束に訓練されたいくつかのプローブ、調和したスキャンで訓練されたプローブ、ターゲットアライメントを報告することを推奨する。
関連論文リスト
- Auditing Routing Entropy as an Uncertainty Signal in Attention-Residual Transformers [14.727396825167917]
We audit that reading for routing entropy in Attention-Residual (AR)variants of Swin-Tiny and DeiT-Small。
我々は、このトレースが、モデル自身の自信が明らかにしている以上の正確性に関する情報を持っているかどうかを問う。
論文 参考訳（メタデータ） (2026-10-01T11:37:19Z) - Spatially Adaptive Noise Injection [43.822624709841044]
拡散サンプリングは、DDPM(Deterministic)アップデートまたはDDIM(Deterministic)アップデートを使用して学習したノイズ発生プロセスを反転させる。
本研究では,1画素あたりの雑音を動的に調整する新しいサンプリングフレームワークであるSpatially Adaptive Noise Injection (SANI)を導入する。
論文 参考訳（メタデータ） (2026-09-16T11:00:06Z) - Excess Separability: Nuisance-Controlled Residual-Stream Probing for Benchmark Contamination Detection [0.0]
ベンチマーク汚染はn-gram重なり、可能性に基づくメンバーシップ推論、カナリア文字列と診断される。
これを行う自然な方法はうまくいかないことを示し、測定を生き残るものを特定し、それを動作させる補正が、テストされるnullよりも多くのばらつきをもたらすことを見つけます。
論文 参考訳（メタデータ） (2026-08-12T23:27:20Z) - Excitation-Supervised Closed-Loop Self-Calibration and Target Seeking for an Unknown-Pose Range-Bearing Relay [0.0]
本論文は、識別可能性を管理する閉ループ層を提供する。
励起教師付きアルゴリズムは、励起リセットコントローラを監督するために使用される。
崩壊率のスイープは、固定されたスケジュールの崩壊が未知の時間から適切な励振を追い越すとき、監督が重要であることを示している。
論文 参考訳（メタデータ） (2026-08-12T19:00:07Z) - 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) - The Calibration Channel Determines the Bayes-Error Proxy: An Exact Law for Temperature-Induced Distortion [0.0]
石田らによるベイズエラー推定器ベータ(z) = E[min(z, 1-z)] は、確率値ラベルから直接二進タスクの既約誤差を推定する。
Ushioらによる最近の研究は、確率が真の後部でない場合、この推定器は脆弱であることを示した。
最も広く使われているポストホックキャリブレーションマップ -- 温度スケーリング -- がプロキシを歪めているのを正確に特徴付けます。
論文 参考訳（メタデータ） (2026-07-20T17:07:26Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - From Calibration to Refinement: Seeking Certainty via Probabilistic Evidence Propagation for Noisy-Label Person Re-Identification [40.73759251488672]
既存のノイズロスのある人物Re-ID法は、ソフトマックス出力を用いた損失補正やサンプル選択方式に依存している。
本稿では,キャリブレーションからリファインメントへ伝播する確率的証拠を通じて確実性を求める2段階フレームワークであるCARE法を提案する。
精製段階では, クリーン試料とノイズ試料をより正確に識別できるエビデンス伝搬精製法(EPR)を設計する。
論文 参考訳（メタデータ） (2026-02-26T15:50:15Z) - Probe-based Fine-tuning for Reducing Toxicity [42.748251501312325]
提案手法は,Supervised Fine-tuning と Direct Preference Optimization の2つである。
トレーニング後のプローブ検出器の精度を維持するため,(1)プローブのアンサンブルに対するトレーニング,(2)訓練に使用しない保持型プローブの保持,(3)訓練後の新しいプローブの再訓練を行う。
論文 参考訳（メタデータ） (2025-10-24T14:59:07Z) - MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。
MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。
CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
論文 参考訳（メタデータ） (2024-02-03T21:12:36Z) - Assisted Probe Positioning for Ultrasound Guided Radiotherapy Using
Image Sequence Classification [55.96221340756895]
前立腺外照射療法における経皮的超音波画像誘導は, 患者設定中の各セッションにおけるプローブと前立腺の整合性を必要とする。
本研究では,画像とプローブ位置データの共同分類により,高精度なプローブ配置を確保する方法を示す。
マルチ入力マルチタスクアルゴリズムを用いて、光学的追跡された超音波プローブからの空間座標データを、繰り返しニューラルネットワークを用いて画像クラスシファイアと組み合わせ、リアルタイムで2セットの予測を生成する。
このアルゴリズムは平均(標準偏差)3.7$circ$ (1.2$circ$)の範囲内で最適なプローブアライメントを同定する。
論文 参考訳（メタデータ） (2020-10-06T13:55:02Z)
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。