SAIF: Segment Anything Modelを用いた医用画像セグメンテーションのための安定性を意識した推論フレームワーク

要約: Segment Anything Model (SAM) は、スケーラブルな医用画像セグメンテーションを可能にしますが、凍結されたバックボーンとしてデプロイすると推論時の不安定性に悩まされます。実際には、境界ボックスのプロンプトにはしばしば定位エラーが含まれており、固定閾値の二値化は追加の意思決定不確実性を導入します。これらの要因は協調して高い予測分散を引き起こし、特にオブジェクトの境界近くで信頼性を低下させます。私たちは、明示的にプロンプトと閾値の不確実性をモデル化することで堅牢性を向上させる、トレーニング不要でプラグアンドプレイ可能な推論フレームワークである Stability-Aware Inference Framework (SAIF) を提案します。
SAIF は、構造化ボックス摂動と閾値変動を介して結合不確実性空間を構築し、意思決定の安定性と境界の一貫性を用いて各仮説を評価し、不安定な候補をフィルタリングして確率空間で安定性加重融合を行い、安定性-一貫性スコアを導入します。Synapse、CVC-ClinicDB、Kvasir-SEG、CVC-300 を用いた実験は、SAIF が一貫してセグメンテーションの精度と堅牢性を向上させ、再訓練やアーキテクチャ変更なしに最先端の性能を達成することを示しています。私たちの匿名コードは https://anonymous.4open.science/r/SAIF に公開されています。