論文の概要: Beyond Ground Truth: A Heuristic Unsupervised Quality Assurance Engine for Diagnosing Calibrational Blindness in Dental Segmentation

• arxiv url: http://arxiv.org/abs/2610.40587v1
• Date: Thu, 29 Oct 2026 17:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 06:31:11.266684
• Title: Beyond Ground Truth: A Heuristic Unsupervised Quality Assurance Engine for Diagnosing Calibrational Blindness in Dental Segmentation
• Title（参考訳）: 歯科領域における校正的盲点診断のための非監督的品質保証エンジン
• Abstract要約: 本稿では,HUS-QAと呼ばれる品質チェックエンジンを3段階に分けて導入する。 我々は、PRAD(Periapical Dental X-ray)データセットでトレーニングを行い、SimCLRの自己教師型ResNet-18 U-Netモデルを構築します。 HUS-QAは、グラウンドトゥルースマスクなしでセグメンテーションマスクの品質をチェックする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In real-world clinical settings, dental X-ray segmentation using deep learning methods suffers from reliability issues. Even when the segmentation quality is bad, deep learning models show high confidence in their predictions (calibrational blindness). Moreover, in real use, doctors do not have ground-truth masks to check their accuracy. To address this problem, we introduce a simple quality-checking engine called HUS-QA with three stages. We train it on the PRAD (Periapical Dental X-ray) dataset to build our SimCLR self-supervised ResNet-18 U-Net model, which generates the segmentation mask and then evaluates its quality. Our HUS-QA checks the segmentation mask quality without a ground-truth mask. Prediction confidence, edge sharpness, shape connectivity, and area-size penalty are the simple indicators considered in this research. Results show that standard confidence methods fail (r = -0.1394, p = 1.7864e-3, ROC AUC = 0.4275). By contrast, our HUS-QA shows a positive correlation with actual Dice scores (r = 0.4647, p = 3.7510e-28) and achieves a strong ROC-AUC of 0.8405. Therefore, HUS-QA serves as a practical tool for clinical quality control.
• Abstract（参考訳）: 実世界の臨床環境では,深層学習を用いた歯科用X線セグメンテーションは信頼性の問題に悩まされている。 セグメンテーションの品質が悪くても、ディープラーニングモデルは予測(校正盲目)に高い信頼を示す。 また、実際の使用例では、医師は精度を確認するための地道マスクを持っていない。 この問題に対処するため,HUS-QAと呼ばれる簡易な品質チェックエンジンを3段階で導入する。 我々は PRAD (Periapical Dental X-ray) データセットを用いてトレーニングを行い、SimCLR の自己教師型 ResNet-18 U-Net モデルを構築し、セグメンテーションマスクを生成し、その品質を評価する。 私たちのHUS-QAは、グラウンドトルースマスクなしでセグメンテーションマスクの品質をチェックします。 本研究では, 予測信頼性, エッジシャープ性, 形状接続性, 面積のペナルティが簡単な指標である。 その結果、標準信頼法は失敗する(r = -0.1394, p = 1.7864e-3, ROC AUC = 0.4275)。 対照的に、我々のHUS-QAは実際のDiceスコア(r = 0.4647, p = 3.7510e-28)と正の相関を示し、強いROC-AUCの0.8405を達成する。 したがって、HUS-QAは臨床品質管理の実用的なツールである。

関連論文リスト

• Unsupervised Metal Artifact Reduction in Dental CBCT using Fine-tuned Cycle-Consistent Adversarial Networks [0.0]
  歯科インプラントにより生成された金属遺物は, コーンビームCT(CBCT)ボリュームを著しく低下させた。 高忠実度復元に最適化されたCycleGAN(Cycle-Consistent Adversarial Network)を用いた金属アーチファクト削減(MAR)のための教師なしディープラーニングフレームワークが提案されている。 このアーキテクチャは、U-NetベースのジェネレータとPatchGAN識別器を統合しており、特に、発生幻覚を緩和し、形態的整合性を維持するために調整されている。
  論文  参考訳（メタデータ） (2026-07-23T06:55:02Z)
• 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)
• Click, Predict, Trust: Clinician-in-the-Loop AI Segmentation for Lung Cancer CT-Based Prognosis within the Knowledge-to-Action Framework [0.7340285482623061]
  肺がんは依然としてがん死亡の主な原因であり、CT像はスクリーニング、予後、治療の中心となっている。 ディープラーニング(DL)は自動化を提供するが、臨床導入の障壁に直面している。 本研究は, 診断精度, 臨床信頼度を高めるために, ループ内DLパイプラインを開発した。
  論文  参考訳（メタデータ） (2025-10-19T23:02:43Z)
• A Quad-Step Approach to Uncertainty-Aware Deep Learning for Skin Cancer Classification [13.993637404760355]
  ディープラーニングモデルは、皮膚がんの分類を自動化することを約束している。 しかし、データ不足と不確実性に対する認識が限られているため、課題は残る。 本研究では,HAM10000データセットを用いたDLベースの皮膚病変分類の包括的評価を行った。
  論文  参考訳（メタデータ） (2025-06-12T02:29:16Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Uncertainty-based quality assurance of carotid artery wall segmentation in black-blood MRI [3.377374929672754]
  黒血MRIにおける頸動脈壁分画の完全自動アルゴリズムを開発した。 頸動脈を中心にした3Dパッチの巣状動脈壁を同定する。 本研究では,輪郭位置のモデル予測の不確かさが,誤り検出の代役となるかを検討する。
  論文  参考訳（メタデータ） (2023-08-18T13:16:00Z)
• 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。