論文の概要: A Decision-Aware Evaluation Protocol for Uncertainty in Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2610.21616v1
• Date: Thu, 15 Oct 2026 09:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.018992
• Title: A Decision-Aware Evaluation Protocol for Uncertainty in Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションにおける不確実性判定プロトコル
• Abstract要約: 本稿では,不確実性評価と不確実性評価を分離する決定対応評価プロトコルを提案する。 網膜血管、皮膚病変、多発性背骨と不確実性推定器によるポリプセグメンテーションにまたがってインスタンス化する。
• 参考スコア（独自算出の注目度）: 11.542407696902115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical segmentation uncertainty is often evaluated with calibration error or pixel-level error-detection scores, but these metrics do not show whether uncertainty improves downstream review decisions. We propose a decision-aware evaluation protocol that separates uncertainty estimation from deferral policy and evaluates their combination under fixed review budgets: which pixels, regions, or images should be accepted, and which should be reviewed. The protocol reports fixed-budget error reduction, risk-coverage behaviour, region-level review proxies, structural failure modes, probability-derived baselines, and sensitivity to review assumptions. We instantiate it across retinal vessel, skin lesion, and polyp segmentation with multiple backbones and uncertainty estimators. Under matched inference budgets and canonical multi-layer MC Dropout, test-time augmentation (TTA) gives a stronger error-detection signal across matched MC--TTA comparisons, including architecture and dropout-placement checks. However, estimator rankings are not universal. For example, probability-derived scores remain competitive, deep ensembles can outperform TTA, learned deferral helps mainly when the base estimator is weak, and rankings can change with review unit, uncertainty target, correction assumptions, and cost model. Structural and second-observer analyses further show that boundary and thin-structure failures are partly tied to annotation ambiguity. These findings support evaluating uncertainty as an estimator-policy-review configuration, not as a standalone score map. Code: https://anonymous.4open.science/r/Uncertainity-in-Medical-Image-Segmentation/README.md
• Abstract（参考訳）: 医用セグメンテーションの不確実性は校正誤差や画素レベルの誤差検出スコアで評価されることが多いが、これらの指標は、不確実性が下流レビューの判断を改善するかどうかを示すものではない。 本稿では,不確実性評価をdeferral policyから分離し,どの画素,領域,画像が受け入れられるべきか,どれがレビューされるべきかという,固定されたレビュー予算の下でそれらの組み合わせを評価するための意思決定対応評価プロトコルを提案する。 このプロトコルは、固定予算エラーの低減、リスクカバレッジの振る舞い、地域レベルのレビュープロキシ、構造的障害モード、確率由来のベースライン、そして仮定をレビューするための感度を報告している。 網膜血管、皮膚病変、多発性背骨と不確実性推定器によるポリプセグメンテーションにまたがってインスタンス化する。 一致した推論予算と標準の多層MCDropoutの下で、テスト時間拡張(TTA)は、アーキテクチャやドロップアウト配置チェックを含む一致したMC--TTA比較に対して、より強力なエラー検出信号を提供する。 しかし、推定器のランクは普遍的ではない。 例えば、確率由来のスコアは競争力を持ち、深層アンサンブルはTTAを上回り、学習されたdeferralは主にベース推定器が弱いときに役立ち、ランキングはレビュー単位、不確実性目標、修正仮定、コストモデルで変更できる。 構造的および第2のオブザーバ分析は、境界と細い構造的障害がアノテーションの曖昧さに部分的に結びついていることをさらに示している。 これらの知見は, スタンドアローンスコアマップとしてではなく, 推定・政治・レビュー構成として不確実性を評価することを支援する。 コード:https://anonymous.4open.science/r/Uncertainity-in-Medical-Image-Segmentation/README.md

関連論文リスト

• Towards Trustworthy AI for Glioma Diagnosis: A Task-Aware Evaluation of Uncertainty Quantification [0.5591724483452424]
  不確実性定量化(UQ)は、医療画像解析において信頼できるAIにとって重要な要件である。 MRIに基づくグリオーマ診断のための多タスクディープラーニングフレームワークでUQを評価する。
  論文  参考訳（メタデータ） (2026-09-30T10:06:22Z)
• Complex Problem Solving in Large Language Models: A Statistical Control Survey and Diagnostic Framework [52.886947585847594]
  大規模言語モデル(LLM)による複雑な問題解決は、しばしばより強い推論やより長い生成の問題としてフレーム化される。 しかし、早期のエラー増幅、迅速な脆さ、誤ったコミットメントを修正する失敗を説明するのは難しい。 本調査はCPSを潜在解状態上の逐次推定・決定問題と解釈する。
  論文  参考訳（メタデータ） (2026-09-17T18:28:45Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Uncertainty Estimation in Pathology Foundation Models via Deep Mutual Learning [31.632913478516993]
  病理基盤モデル(PFM)は、全スライディング画像(WSI)解析のための一般化可能な表現を提供する。 医療現場での信頼を著しく損なうような作業において、PFMは普遍的に最善を尽くすものはない。 我々は、$K$フリーズPFMをアンサンブルするプラグイン・アンド・プレイフレームワークである$mathtDICE$を提案し、不確実性推定のプロキシとしてそれらの不一致をモデル化する。
  論文  参考訳（メタデータ） (2026-06-29T09:24:22Z)
• 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)
• Uncertainty-Calibrated Explainable AI for Fetal Ultrasound Plane Classification [0.0]
  胎児超音波標準平面分類は、出生前生検と異常検診の信頼性を高める。 実世界の展開は、ドメインシフト、画像ノイズ、予測される確率のキャリブレーションによって制限される。 本稿では,胎児平面分類における不確実性校正可能なAIの実践的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-02T21:32:26Z)
• Evaluating AI systems under uncertain ground truth: a case study in dermatology [43.8328264420381]
  不確実性を無視することは、モデル性能の過度に楽観的な推定につながることを示す。 皮膚状態の分類では,データセットの大部分が重大な真理不確実性を示すことが判明した。
  論文  参考訳（メタデータ） (2023-07-05T10:33:45Z)
• 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)

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。