[論文レビュー] Disentangling Prompt Dependence to Evaluate Segmentation Reliability in Gynecological MRI

Elodie Germani, Krystel Nyangoh-Timoh+2 more|arXiv (Cornell University)|Mar 9, 2026

Fetal and Pediatric Neurological Disorders被引用数 0

ひとこと要約

この論文は、プロンプト可能なセグメンテーションにおいて、プロンプトの曖昧さと局所的感度を分離するフレームワークを提案し、婦人科MRIにおける堅牢な信頼性評価を可能にする。条件付きMDNを用いて妥当なプロンプトをモデル化し、安定性マージン予測器を用いて局所的なプロンプト感度を評価する。二つの骨盤MRIデータセットで評価。

ABSTRACT

Promptable segmentation models (e.g., the Segment Anything Models) enable generalizable, zero-shot segmentation across diverse domains. Although predictions are deterministic for a fixed image-prompt pair, the robustness of these models to variations in user prompts, referred to as prompt dependence, remains underexplored. In safety-critical workflows with substantial inter-user variability, interpretable and informative frameworks are needed to evaluate prompt dependence. In this work, we assess the reliability of promptable segmentation by analyzing and measuring its sensitivity to prompt variability. We introduce the first formulation of prompt dependence that explicitly disentangles prompt ambiguity (inter-user variability) from local sensitivity (interaction imprecision), offering an interpretable view of segmentation robustness. Experiments on two female pelvic MRI datasets for uterus and bladder segmentation reveal a strong negative correlation between both metrics and segmentation performance, highlighting the value of our framework for assessing robustness. The two metrics have low mutual correlation, supporting the disentangled design of our formulation, and provide meaningful indicators of prompt-related failure modes.

研究の動機と目的

• 安全 critical な医療ワークフローにおけるプロンプト可能なセグメンテーションの堅牢な評価を動機付ける。
• ユーザー間のプロンプト曖昧さと相互作用の不精度（局所感度）を分離する。
• Mixture Density Network (MDN) を用いて画像条件付きプロンプトをモデル化し、プロンプト曖昧さを定量化する。
• プロンプト撹乱下の局所感度を捉える安定性マージンを定義・推定する。
• 子宮および膀胱分割を含む二つの女性骨盤MRIデータセットでフレームワークを実証する。

提案手法

• プロンプト依存性を、プロンプト曖昧さと局所感度への分散分解として定式化する。
• 有効なプロンプトの分布 P_valid(b|I) を条件付きMDNでモデル化し、プロンプト曖昧さ U_amb = tr(Cov_p_theta(b|x))を推定する。
• 参照プロンプトの周囲に摂動 delta を定義し、マスク不一致閾値 tau を越える最小摂動として安定性マージン delta* を定量化する。
• 繰り返しサンプリングなしで delta*(I,b) を高速近似する安定性マージン予測器 r_psi を訓練する。
• p_theta(b|x) から 1000 個のプロンプトをサンプルし、得られたマスクを集約してピクセル単位の不確実性マップを計算し、境界と整合するエントロピー図を得る。
• 二つの pelvic MRI データセット（UT-EndoMRI, MOGaMBO）で、二つの SAM ベースのアーキテクチャ（MobileSAM, MedSAM）を評価する。

実験結果

リサーチクエスチョン

• RQ1 プロンプト曖昧さと局所感度を分離して、医療用 MRI のプロンプト可能なセグメンテーションに対する解釈可能な堅牢性評価を提供できるか。
• RQ2 画像条件付きプロンプト分布はピクセルレベルの不確実性とセグメンテーション品質にどう関連するか。
• RQ3 プロンプト曖昧さと局所感度は Dice スコアと相関するか、また大部分は独立しているか。
• RQ4 安定性マージン予測器はセグメンテーションを変える最小のプロンプト撹乱を効率的に近似できるか。
• RQ5 提案された指標は、プロンプトベースの医療セグメンテーションにおける失敗モードの識別・特徴づけに有用か。

主な発見

• プロンプト曖昧さと局所感度は相互相関が低く、分離した解釈を支持する。
• 両データセットと両モデルで、より高いプロンプト曖昧さとより高い局所感度は Dice スコアの低下と関連し、セグメンテーション品質が低下する。
• 条件付きMDN は妥当なプロンプトを正確に捉え、セグメンテーション誤差と整合するピクセルレベルの不確実性マップを可能にする。
• 安定性マージンはセグメンテーションの頑健性と相関し、delta* が大きいほどより頑健なプロンプトを意味する。
• 条件付きプロンプト分布から導かれる不確実性マップは、空間的に一貫性があり、境界に沿った不確実性を示す。
• このフレームワークは、データセットとモデル特異的に、プロンプト依存が性能に与える影響の違いを明らかにする。