論文の概要: SPARCL: Spatially Adaptive Regional Coverage for Active Learning in Chest X-ray Analysis
- arxiv url: http://arxiv.org/abs/2610.17808v2
- Date: Wed, 14 Oct 2026 23:24:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:15.931132
- Title: SPARCL: Spatially Adaptive Regional Coverage for Active Learning in Chest X-ray Analysis
- Title（参考訳）: SPARCL:胸部X線解析におけるアクティブラーニングのための空間適応型地域被覆
- Abstract要約: 胸部X線病変セグメンテーション(CXR)のアクティブラーニングは高価であり,アクティブラーニング(AL)が不可欠である。
既存のAL戦略では、選択されたサンプルの空間分布を考慮できないため、焦点(大動脈石灰化など)と拡散(結節など)の病理に不整合性が生じる。
- 参考スコア（独自算出の注目度）: 3.320895640965475
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Pixel-level annotation for chest X-ray (CXR) lesion segmentation is expensive, making active learning (AL) essential. However, existing AL strategies fail to account for the spatial distribution of selected samples, resulting in inconsistent performance across focal (e.g., aortic calcification) and diffuse (e.g., nodules) pathologies. In this paper, we propose SPARCL (Spatially Adaptive Regional Coverage for Active Learning) to dynamically balance predictive uncertainty with cumulative spatial coverage. By employing a concave coverage function, SPARCL imposes diminishing returns on previously annotated regions, naturally directing the annotation budget toward under-labeled areas. Furthermore, an entropy gate reverts the algorithm to standard uncertainty sampling when spatial variation is absent. This coverage objective is monotone submodular, guaranteeing near-optimal greedy batch selection. To address how aggregate metrics like Dice obscure regional failures, we further introduce two metrics---Spatial Inconsistency (SI) and Performance Coverage (PC)---to quantify anatomical fairness across AL rounds. Evaluated on an in-house calcification cohort and public CXR benchmarks, SPARCL reaches 95% of fully supervised performance using only 24% of the data, compared to 29% for the best baseline. Ultimately, SPARCL ensures robust spatial reliability, surfacing regional gains that aggregate metrics miss.
- Abstract（参考訳）: 胸部X線(CXR)病変セグメンテーションのためのピクセルレベルのアノテーションは高価であり、アクティブラーニング(AL)が不可欠である。
しかし、既存のAL戦略では、選択したサンプルの空間分布を考慮できないため、焦点(例えば、大動脈石灰化)と拡散(例えば、結節)病理に不整合性が生じる。
本稿では,SPARCL(Spatially Adaptive Regional Coverage for Active Learning)を提案する。
凹凸カバレッジ関数を用いることで、SPARCLは注釈付き領域のリターンを減らし、アノテーションの予算をラベルの低い領域に自然に向ける。
さらに、エントロピーゲートは、空間変動がない場合にアルゴリズムを標準的な不確実性サンプリングに戻す。
このカバレッジの目的は単調なサブモジュラーであり、ほぼ最適のグレディバッチ選択を保証する。
Diceのような集合的メトリクスの地域的障害への対処には、さらに2つのメトリクス、すなわちSpatial Inconsistency(SI)とPerformance Coverage(PC)を導入します。
SPARCLは、社内の石灰化コホートと公開CXRベンチマークで評価され、最高のベースラインの29%に比べて、データのわずか24%を使用して、完全に監督されたパフォーマンスの95%に達する。
最終的に、SPARCLは、計測値が失われる地域的な利得を期待して、堅牢な空間信頼性を保証する。
関連論文リスト
- COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。
最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。
本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-10-13T09:23:12Z) - Diagnose-to-Generate: Eliminating Structural Distortions in Flow Models via Patch-Level Grounded Alignment [55.60663579540744]
フローベース画像生成装置は強力なセマンティック合成を実現するが、それでも局所的な構造歪みを生じさせる。
textitDiagnose-to-Generate (D2G) は、画像診断と生成最適化を分離する基盤的アライメントフレームワークである。
論文 参考訳（メタデータ） (2026-10-13T07:37:52Z) - Semi-Supervised Learning under Spatially Biased Sampling [0.0]
標準半教師付き学習(SSL)は、通常はラベル付きおよび非ラベル付きデータ共有に依存している。
本稿では,SSLのミスマッチ,クラスタと多様体の仮定が生き残るか,失敗を診断する方法について検討する。
論文 参考訳（メタデータ） (2026-09-07T21:01:15Z) - Self-Organized Conformal Prediction: Reducing Regional Coverage Gaps with Unsupervised Group Discovery [7.803879146826816]
等角予測は限界範囲の範囲を保証しているが、不均一領域における校正平均値のプール化は、地域の潜入を隠蔽することができる。
自己組織化マップを用いて入力空間群を検出するキャリブレーション方式であるSOCP(Self-Organized Conformal Prediction)を導入する。
SOCPは、BMUセルの検索に正確な妥当性を与え、近隣バッファに対する固定された検索セットの妥当性を与える。
論文 参考訳（メタデータ） (2026-06-28T13:50:13Z) - Exploring Entropy-based Active Learning for Fair Brain Segmentation [9.205575630735263]
アクティブラーニングは、医用画像のセグメンテーションに伴う禁止費用を削減する重要な戦略として現れてきた。
本稿では,現在グループ固有の性能推定値に基づいて不確実性を変調する,重み付きエントロピー選択戦略を備えたフェアネス対応能動学習フレームワークを提案する。
実験により,本手法は,ランダムサンプリングや標準不確実性サンプリングと比較して,グループ間の性能格差を著しく低減することが示された。
論文 参考訳（メタデータ） (2026-05-03T04:21:48Z) - Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment [0.0]
本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。
OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
論文 参考訳（メタデータ） (2026-03-19T17:43:12Z) - Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
条件付きカバレッジ推定が分類問題であることを示す。
得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。
ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
論文 参考訳（メタデータ） (2025-12-12T18:47:39Z) - Partial VOROS: A Cost-aware Performance Metric for Binary Classifiers with Precision and Capacity Constraints [6.995852507959363]
与えられた精度とキャパシティの制約を満たす分類器のサブセットは、ROC空間において実現可能な領域として表現できることを示す。
この領域を所望のコストパラメータの範囲で平均すると、ROC表面上の部分体積(または一部VOROS)が生じる。
死亡リスクを予測する実験では、病院のアラートアプリケーションにおいて、分類器の分類方法よりもコストを意識した指標の方が優れていることを示す。
論文 参考訳（メタデータ） (2025-10-21T11:00:02Z) - Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。
我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。
正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
論文 参考訳（メタデータ） (2024-02-14T13:30:02Z) - CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。
CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。
CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
論文 参考訳（メタデータ） (2024-01-30T17:38:48Z) - Region Rebalance for Long-Tailed Semantic Segmentation [89.84860341946283]
まず、ピクセル再バランスによってこの問題に対処する主な課題を調査し、特定する。
そして,本分析に基づいて,単純かつ効果的な領域再バランス方式を導出する。
提案された領域再均衡スキームでは、最先端のBEiTはADE20K val集合上のmIoUで+0.7%上昇する。
論文 参考訳（メタデータ） (2022-04-05T03:47:47Z)
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。