論文の概要: Contrastive uncertainty learning for robust multi-structure segmentation in lower-pelvic MR

• arxiv url: http://arxiv.org/abs/2610.20251v1
• Date: Wed, 14 Oct 2026 14:23:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.200355
• Title: Contrastive uncertainty learning for robust multi-structure segmentation in lower-pelvic MR
• Title（参考訳）: 低骨盤MRIにおける頑健な多構造セグメント化のためのコントラスト不確実性学習
• Abstract要約: 前立腺MRIにおける解剖学的構造の境界線は、しばしば局所的曖昧さによって損なわれる。 本稿では,予測不確実性を利用して表現学習を誘導する教師付きフレームワークであるContrastive Uncertainty Learning (CUL)を提案する。
• 参考スコア（独自算出の注目度）: 15.047218758511432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Boundary delineation of anatomical structures in prostate MRI is often compromised by regional ambiguity. Automated segmentation methods relying on global overlap loss functions tend to be insensitive to surface deviations, leading to significant errors in ambiguous regions. Most existing uncertainty-aware methods treat uncertainty as a post-hoc quality indicator or prediction filter. We propose Contrastive Uncertainty Learning (CUL), a supervised framework that uses predictive uncertainty to directly guide representation learning. Using Monte Carlo Dropout, CUL identifies voxel-wise uncertainty and structures the embedding geometry accordingly: low-uncertainty, correctly predicted features form stable voxels while high-uncertainty or misclassified features are actively repelled, preventing feature collapse at difficult boundaries. We evaluate CUL on a 589-scan 3D prostate MRI multi-structure segmentation task (8 anatomical structures) using a ViT with UperNet decoder architecture. Average Dice ($83.38\%$) remains comparable to the baseline ($83.35\%$), while surface distance decreases significantly ($p<0.001$) across 6 of 8 anatomical structures. A hard-case analysis reveals a $22{\times}$ asymmetry between significantly improved and degraded cases ($18.8\%$ vs $0.9\%$). Ablation studies show that removing uncertainty-guided sample selection eliminates improvements for the transition zone, while replacing the contrastive objective with a boundary loss additionally removes bladder improvements, demonstrating that both uncertainty-guided sampling and the contrastive objective are essential for the observed gains. These findings demonstrate that the proposed uncertainty-guided representation learning is a useful mechanism for reducing the risk of extreme errors in safety-critical medical segmentation
• Abstract（参考訳）: 前立腺MRIにおける解剖学的構造の境界線は、しばしば局所的曖昧さによって損なわれる。 大域的な重なり損失関数に依存する自動分割法は、表面偏差に敏感であり、曖昧な領域で重大な誤差をもたらす。 既存の不確実性認識手法の多くは、不確実性をポストホック品質指標または予測フィルタとして扱う。 本稿では,予測不確実性を利用して表現学習を直接指導する教師付きフレームワークであるContrastive Uncertainty Learning (CUL)を提案する。 モンテカルロ・ドロップアウト (Monte Carlo Dropout) を用い、CUL はボクセルに関する不確実性を識別し、ボクセルの埋め込み形状を構造する: 低い不確かさ、正確に予測された特徴が安定なボクセルを形成し、高い不確かさまたは非分類特徴が積極的に反発し、困難な境界における特徴崩壊を防ぐ。 そこで我々は,UperNetデコーダアーキテクチャを用いたViTを用いて,589-scan 3D前立腺MRIマルチ構造セグメンテーションタスク(8つの解剖学的構造)上でCULを評価した。 平均Dice (83.38 %$) はベースライン (83.35 %$) に匹敵するが、表面距離は8つの解剖学的構造のうち6つで著しく減少する(p<0.001$)。 ハードケース分析では、大幅に改善されたケースと劣化したケースの非対称性(18.8\%対0.9\%$)が明らかにされている。 アブレーション研究では, 不確実性誘導試料選択の除去は遷移帯の改善を排除し, 比較対象を境界損失に置き換えることで膀胱の改善を排除し, 不確実性誘導サンプリングと対比対象の両方が観察された利得に不可欠であることが示されている。 これらの結果から,提案した不確実性誘導型表現学習は,安全クリティカルな医療セグメント化における過度なエラーのリスクを低減するための有用なメカニズムであることが示唆された。

関連論文リスト

• Gradient-Based Latent Decomposition Reveals Mechanisms of Feature Degradation in Weakly Supervised Mammography [0.0]
  弱教師付き階層モデルは永続的な非対称性を示す。 粗い病変型の特徴は再建時に保存され, 微粒な悪性度は低下する。 高次元空間では、1つの粗いスーパーバイザー信号が1次元の遅延方向のみを分離し、臨界きめ細かい特徴を弱い残留部分空間に強制する。
  論文  参考訳（メタデータ） (2026-07-24T01:04:07Z)
• Confidence is Not Reliability: Rethinking MC Dropout in Brain Tumour Segmentation [2.104759809264928]
  治療クリティカルなサブリージョンで静かに失敗するセグメンテーションモデルは、患者の安全リスクを表す。 モンテカルロ(MC)Dropoutによるボクセルレベルの不確実性評価は,セグメンテーション誤差を確実に識別できるかどうかを問う。 我々は、高性能プレトレーニング済みSegResNetと、残留ユニットを持つローカルトレーニングされたUNetを評価する。
  論文  参考訳（メタデータ） (2026-06-17T17:24:41Z)
• Quantification of Uncertainty with Adversarial Models in Medical Image Segmentation [5.9165058427687045]
  本稿では, 対向探索を用いたポストホックフレームワーク QUAM-SM を提案し, 「アドリアリフィラブル」 画素を同定する。 予測不安定を顕在化する摂動を積極的に探すことにより,決定がフリップに対して最も脆弱な領域に注目する。 複数の専門家アノテーションを持つ2つの公開データセットの実験は、QUIM-SMが標準および最近の不確実性推定アプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2026-06-17T09:42:24Z)
• An Uncertainty Estimation Framework for Dose Accumulation in Adaptive Radiotherapy: Application to CBCT-Guided Radiotherapy for Cervical Cancer [0.6532395471196993]
  oARTは、毎日の計画順応を可能にするが、累積線量推定は限られている。 本稿では,不確実性を考慮した線量蓄積フレームワークであるIMPACT-DoseAccを,意味的特徴駆動画像解析のためのIMPACT内に導入する。 9例の頸部癌患者を毎日CBCT由来の仮想CTを用いて振り返って分析した。
  論文  参考訳（メタデータ） (2026-06-09T15:52:58Z)
• UnGAP: Uncertainty-Guided Affine Prompting for Real-Time Crack Segmentation [16.902729686979303]
  UPFM(Uncertainty-Prompted Feature Modulator)は、単に出力ではなく、アクティブな視覚的プロンプトとして、アレタリック不確実性を扱う。 UnGAPは、より優れたセグメンテーション精度とリアルタイムの推論速度のバランスをとる。
  論文  参考訳（メタデータ） (2026-05-04T09:18:57Z)
• Uncertainty-Aware Mapping from 3D Keypoints to Anatomical Landmarks for Markerless Biomechanics [39.155383773210836]
  マーカーレスバイオメカニクスは、ますますビデオから抽出された3D骨格キーポイントに依存している。 本研究では,3Dポーズキーポイントを3D解剖学的ランドマークにマッピングするための信頼度尺度として,予測の不確実性について検討する。
  論文  参考訳（メタデータ） (2026-03-27T09:42:23Z)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• 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)
• 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。