効果的な曖昧性を伴う医用画像分割のためのPCA強化確率的U-Net

arXiv cs.CV / 2026/3/13

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、画像の曖昧さ、ノイズ、主観的アノテーションから生じる本質的な不確実性をより適切に扱うため、曖昧性を伴う医用画像分割のためのPCA強化確率的U-Net（PEP U-Net）を提案する。
本手法は、ポスターネットワークの次元削減にPCAを用いて冗長性を緩和し計算効率を向上させ、逆PCA操作を用いて重要情報を再構成し潜在空間の容量を高める。
従来の生成モデルと比較して、PEP U-Netは多様なセグメンテーション仮説を保持しつつ、セグメンテーション精度と予測変動性のバランスをより良く達成する。
本研究は、PCAベースの効率性と改善された表現力を組み合わせることで、医用画像分割における生成モデリングを前進させ、よりロバストで多様な分割出力を可能にする。

本文: arXiv:2603.11550v1 アナウンス種別: new 要旨: 曖昧な医用画像セグメンテーション（AMIS）は、画像の曖昧さ、ノイズ、そして主観的アノテーションに起因する本質的な不確実性の課題に対処するために重要である。既存の条件付き変分オートエンコーダ（cVAE）ベースの手法は不確実性を効果的に捉えるが、高次元の潜在空間の冗長性と単一の事後ネットワークの表現力の制限といった課題に直面している。これらの問題を克服するため、我々は新しい PCA-Enhanced Probabilistic U-Net（\textbf{PEP U-Net}）を導入する。我々の手法は、事後ネットワークの次元削減のためにPrincipal Component Analysis（PCA）を効果的に組み込み、冗長性を緩和し計算効率を改善する。さらに、重要情報を再構成するために逆PCA操作を用い、潜在空間の表現力を強化する。従来の生成モデルと比較して、我々の手法は多様なセグメンテーション仮説を生成する能力を保持しつつ、セグメンテーション精度と予測変動性のバランスを優れたものにすることで、医用画像分割における生成モデリングの性能を向上させる。