論文の概要: MID: Mask-Image Distributional Divergence for Evaluating Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.17354v2
• Date: Thu, 15 Oct 2026 08:56:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:15.918904
• Title: MID: Mask-Image Distributional Divergence for Evaluating Medical Image Segmentation
• Title（参考訳）: MID:医用画像分割評価のためのマスク画像分布の多様性
• Abstract要約: MID (Mask Distributional Divergence) は、医用画像セグメンテーションのための分布レベルの評価指標である。 我々は、CT、MRI、MRAにまたがる13の公開データセットを対象に、MIDを評価した。
• 参考スコア（独自算出の注目度）: 6.2691859731641415
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current evaluation protocols for medical image segmentation remain largely anchored in sample-wise comparisons, e.g., Dice and Hausdorff distance, which require each prediction to be paired with a ground-truth mask. Yet two limitations arise in practice: they are inapplicable when predictions are made on unlabeled data; and even when annotations are available, they cannot assess whether a collection of predictions matches the distributional structure of the ground-truth population. We introduce MID (Mask-Image Distributional Divergence), a distribution-level evaluation metric for medical image segmentation. MID builds upon the observation that segmentation quality is a property of the joint image-mask distribution: a mask may be anatomically plausible in isolation yet incorrect for the image it accompanies. MID compares the joint distribution of images and masks between a reference set and a set of predictions, without requiring sample-wise correspondence. This captures both mask realism and image-mask consistency. We evaluate MID across 13 publicly available datasets spanning CT, MRI, and MRA. Under anatomically realistic corruptions across 56 organ groups, MID tracks mean Dice and Hausdorff distance without per-sample ground-truth pairing. MID also detects distributional shifts across modalities and anatomies, identifies image-mask misalignment through controlled shuffling experiments, and produces reliable model rankings across real segmentation models. Official implementation available at github.com/erc-caravel/pytorch-mid
• Abstract（参考訳）: 医用画像セグメンテーションの現在の評価プロトコルは、例えば、Dice と Hausdorff 距離といったサンプルワイド比較において、主に固定されており、それぞれの予測を地上のトラスマスクと組み合わせる必要がある。 しかし、実際には2つの制限が生じる: ラベルのないデータで予測が適用できない; アノテーションが利用可能である場合でも、予測の集合が地道人口の分布構造と一致するかどうかを評価することができない。 MID(Mask-Image Distributional Divergence)は,医用画像セグメンテーションのための分布レベル評価指標である。 MIDは、セグメンテーションの品質がジョイントイメージマスクの分布の特性である、という観察に基づいて構築されている。 MIDは、サンプルワイド対応を必要とせず、参照セットと予測セット間の画像とマスクの結合分布を比較する。 これはマスクリアリズムとイメージマスクの一貫性の両方をキャプチャする。 我々は、CT、MRI、MRAにまたがる13の公開データセットを対象に、MIDを評価した。 56の臓器群にわたる解剖学的に現実的な腐敗の下では、MIDトラックはDice と Hausdorff の距離を、サンプルごとの接地と真実のペアリングなしで意味している。 MIDはまた、モダリティや解剖学の分布シフトを検出し、制御シャッフル実験を通じて画像マスクのミスアライメントを特定し、実際のセグメンテーションモデルにまたがる信頼性の高いモデルランキングを生成する。 github.com/erc-caravel/pytorch-midで公式実装が利用可能

関連論文リスト

• Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
  教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。 再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。 本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
  論文  参考訳（メタデータ） (2026-08-01T04:56:39Z)
• Micro-Defects Expose Macro-Fakes: Detecting AI-Generated Images via Local Distributional Shifts [48.75898711300078]
  生成モデルは、非常に現実的なように見えるイメージを生成することができ、実際の画像とAI生成イメージを区別する上での課題を提起する。 局所分布認識検出フレームワークであるマクロフェイク(MDMF)のマイクロ欠陥をマクロレベルの分布不規則性に増幅する。 提案手法は, 局所的な法医学的信号が生成画像に存在する場合, パッチワイド・モデリングにより, 明らかな相違が生じることを示す。
  論文  参考訳（メタデータ） (2026-05-10T03:44:09Z)
• Diffusion-Guided Mask-Consistent Paired Mixing for Endoscopic Image Segmentation [57.37991748282666]
  本稿では, 試料混合と拡散合成の強度を融合した拡散誘導型パラダイムを提案する。 各実画像について、合成対を同じマスクの下で生成し、その対をマスク一貫性ペアドミキシング(MCPMix)の制御可能な入力として使用する。 これは、共有幾何学の下で合成および実際の外観を円滑にブリッジする中間サンプルの連続的な族を生成する。
  論文  参考訳（メタデータ） (2025-11-05T06:14:19Z)
• Counterfactuals and Uncertainty-Based Explainable Paradigm for the Automated Detection and Segmentation of Renal Cysts in Computed Tomography Images: A Multi-Center Study [1.83277723272657]
  Routine Computed Tomography (CT)スキャンは、しばしば広範囲の腎嚢胞を検知するが、そのうちのいくつかは悪性である可能性がある。 しかし、現在のセグメンテーション法では、特徴レベルとピクセルレベルで十分な解釈性を提供していない。 我々は、解釈可能なセグメンテーションフレームワークを開発し、多中心データセット上で検証した。
  論文  参考訳（メタデータ） (2024-08-07T14:14:05Z)
• FlowSDF: Flow Matching for Medical Image Segmentation Using Distance Transforms [60.195642571004804]
  本稿では,セグメンテーションマスクの暗黙分布を表現するために,画像誘導型条件付きフローマッチングフレームワークであるFlowSDFを紹介する。 本フレームワークは,セグメンテーションマスクの正確なサンプリングと関連する統計指標の計算を可能にする。
  論文  参考訳（メタデータ） (2024-05-28T11:47:12Z)
• Score-Based Generative Models for Medical Image Segmentation using Signed Distance Functions [11.137438870686026]
  符号付き距離関数(SDF)を表す条件付きスコアベース生成モデリングフレームワークを提案する。 SDFを利用する利点は、二元マスクに比べて、より自然な歪みである。
  論文  参考訳（メタデータ） (2023-03-10T14:55:35Z)
• 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。