ConfIC-RCA：基于保守推断的分割质量高效统计估计方法
计算机视觉与模式识别
2026-03-31 v4
摘要
评估自动图像分割的质量在临床实践中至关重要，但由于真实标注数据的稀缺性，往往极具挑战性。Reverse Classification Accuracy (RCA) 是一种通过在训练模型后对新预测进行评估以估计未见样本预测质量的方法。本文介绍了 ConfIC-RCA（Conformal In-Context RCA），一种在缺乏真实标注的情况下自动估计分割质量并具统计保证的新方法，主要包含两个创新点：首先，In-Context RCA 利用最近的基于上下文学习的图像分割模型，并融合检索增强技术，以选择最相关的参考图像。该方法在最小化参考数据需求的同时，避免了训练额外模型的需要。其次，我们引入 Conformal RCA，将原始 RCA 框架和 In-Context RCA 扩展到超出点估计的范围。借助分裂保守推断工具，Conformal RCA 为分割质量提供置信区间，统计保证表明真实得分以用户指定的概率落在估计区间内。我们在各种器官和模态的 10 种医学成像任务中对方法进行了验证，结果表明该方法在性能和计算效率方面表现稳健，为临床工作流程中自动化质量控制提供了有前景的解决方案，而快速可靠的分割评估在其中至关重要。代码已公开于 https://github.com/mcosarinsky/Conformal-In-Context-RCA
引用
@article{arxiv.2503.04522,
title = {ConfIC-RCA: Statistically Grounded Efficient Estimation of Segmentation Quality},
author = {Matias Cosarinsky and Ramiro Billot and Lucas Mansilla and Gabriel Jimenez and Nicolas Gaggión and Guanghui Fu and Tom Tirer and Enzo Ferrante},
journal= {arXiv preprint arXiv:2503.04522},
year = {2026}
}
备注
Accepted for publication at TMI