論文の概要: Evaluation of Uncertainty-Aware Multi-Software Ensembles for Hippocampal Segmentation

• arxiv url: http://arxiv.org/abs/2610.31505v1
• Date: Thu, 22 Oct 2026 16:22:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.47427
• Title: Evaluation of Uncertainty-Aware Multi-Software Ensembles for Hippocampal Segmentation
• Title（参考訳）: 海馬セグメンテーションのための不確実性を考慮したマルチソフトウェアアンサンブルの評価
• Abstract要約: 本研究では2つの認知症データセットと1つのてんかんデータセットにまたがる5つの異種海馬セグメンテーション手法のアンサンブルを評価する。 innerEye、FastSurfer、HippoSegを含むサブアンサンブルは正確かつ効率的である。
• 参考スコア（独自算出の注目度）: 0.9963210652152462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate hippocampal segmentation can be a useful tool for diagnosing and monitoring neurological conditions such as Alzheimer's disease and epilepsy. While numerous automated segmentation methods exist, their clinical adoption remains limited. Reliable uncertainty assessment can enhance trust and facilitate clinical translation. This study evaluates ensembles of five heterogeneous hippocampal segmentation methods - InnerEye, ASHS, FastSurfer, HippoSeg, and FreeSurfer - across two dementia datasets and one epilepsy dataset. The sub-ensemble containing InnerEye, FastSurfer, and HippoSeg emerged as both accurate and efficient, highlighting the feasibility of balancing computational cost and performance. Additionally, ensemble-derived uncertainty quantification with sample variance, mutual information, and predictive entropy is shown to reduce inaccurate segmentations by flagging low-confidence cases, potentially providing a mechanism for automatically escalating ambiguous cases for expert assessment. Lastly, this study explores the downstream clinical utility of ensemble-derived uncertainty, finding a significant correlation with motion artefact severity and a modest contribution to Alzheimer's disease classification.
• Abstract（参考訳）: 正確な海馬セグメンテーションはアルツハイマー病やてんかんなどの神経疾患の診断やモニタリングに有用である。 多くの自動セグメンテーション法が存在するが、臨床応用は限られている。 信頼性の高い不確実性評価は、信頼を高め、臨床翻訳を促進する。 本研究では2つの認知症データセットと1つのてんかんデータセットにまたがる5つの異種海馬セグメンテーション手法(InnerEye, ASHS, FastSurfer, HippoSeg, FreeSurfer)のアンサンブルを評価する。 innerEye、FastSurfer、HippoSegを含むサブアンサンブルは正確かつ効率的であり、計算コストと性能のバランスをとる可能性を強調した。 また,サンプル分散,相互情報,予測エントロピーによるアンサンブル由来の不確実性定量化は,信頼度の低いケースにフラグを付けることによって,不正確なセグメンテーションを低減し,専門家評価のために不明瞭なケースを自動的にエスカレートするメカニズムを提供する可能性がある。 最後に, アンサンブル由来の不確実性の下流臨床的有用性について検討し, 運動アーチファクトの重症度との有意な相関とアルツハイマー病の分類への軽度な寄与を見出した。

関連論文リスト

• Imputation-free transformer learning enables robust Alzheimer's disease prediction and calibrated uncertainty quantification across heterogeneous clinical cohorts [1.2407987412519395]
  ニトロゲン(NITROGEN)は、患者内部の特徴と患者間の関係構造を共同でモデル化する、計算不要なトランスフォーマーである。 ADNIでNITROGENを訓練し,2つの独立したコホートで評価した。
  論文  参考訳（メタデータ） (2026-07-13T15:05:26Z)
• Uncertainty-Aware Longitudinal Forecasting of Alzheimer's Disease Progression Using Deep Learning [10.269961654607108]
  本稿では,オーディナル診断予測,マルチ水平軌道生成,不確実性推定を組み合わせた確率的フレームワークを提案する。 ADNIでは、リニア、リカレント、トランスフォーマーのベースラインを上回り、次世代の診断予測を行う。
  論文  参考訳（メタデータ） (2026-06-23T14:04:27Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• DGRNet: Disagreement-Guided Refinement for Uncertainty-Aware Brain Tumor Segmentation [25.65330582165925]
  本稿では,MRI脳腫瘍セグメント化のためのDGRNet(Disagreement-Guided Refinement Network)を提案する。 DGRNetは、共有エンコーダデコーダにアタッチされた4つの軽量ビュー固有アダプタを介して、多様な予測を生成する。 DGRNetは,DiceとHD95の2.4%と11%の精度で,最先端のセグメンテーション精度を良好に向上することを示した。
  論文  参考訳（メタデータ） (2026-03-22T06:56:38Z)
• Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
  左室容積推定は各種心血管疾患の診断・管理に重要である。 近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。 本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T13:44:55Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。