[論文レビュー] Principled Confidence Estimation for Deep Computed Tomography

Matteo Gätzner, Johannes Kirschner|arXiv (Cornell University)|Feb 5, 2026

Medical Imaging Techniques and Applications被引用数 0

ひとこと要約

この論文は、CT再構成の不確実性を定量化し、幻覚を検出するためのカバレッジ保証付きの anytime・有限サンプル信頼区間を構築する原理的フレームワークを提案する。深層学習の事前情報（U-Nets、アンサンブル、拡散モデル）を逐次尤度混合と統合して、不確実性を定量化する。

ABSTRACT

We present a principled framework for confidence estimation in computed tomography (CT) reconstruction. Based on the sequential likelihood mixing framework (Kirschner et al., 2025), we establish confidence regions with theoretical coverage guarantees for deep-learning-based CT reconstructions. We consider a realistic forward model following the Beer-Lambert law, i.e., a log-linear forward model with Poisson noise, closely reflecting clinical and scientific imaging conditions. The framework is general and applies to both classical algorithms and deep learning reconstruction methods, including U-Nets, U-Net ensembles, and generative Diffusion models. Empirically, we demonstrate that deep reconstruction methods yield substantially tighter confidence regions than classical reconstructions, without sacrificing theoretical coverage guarantees. Our approach allows the detection of hallucinations in reconstructed images and provides interpretable visualizations of confidence regions. This establishes deep models not only as powerful estimators, but also as reliable tools for uncertainty-aware medical imaging.

研究の動機と目的

• PoissonノイズとBeer-Lambert前方モデル下でCT再構成の有限時間・anytime有効性を持つ信頼区列を開発する。
• 再構成が良くなるほど不確実性の評価を厳密化し、幻覚検出を支援する。不確実性の定量化を可能にする。
• 深層学習事前情報（U-Nets、アンサンブル、拡散モデル）を principled な不確実性推定へ統合することを示す。
• 安全 critical な画像診断のための解釈可能な画素ごとの不確実性可視化と実用的診断法を提供する。

提案手法

• Beer-Lambert法とPoissonノイズを並列ビーム幾何で用いたCT前方過程をモデル化する。
• 確信列C_tを負の対数尤度の水準集合として、時刻に依存する閾値β_tを用いて構築する。
• β_tは、時刻sまでのデータのみに依存する混合分布mu_sの列を用いた逐次尤度混合によって定義する。
• 混合分布は点予測または生成モデル（例：U-Netアンサンブル、拡散モデル）からの混合も許容する。
• 得られたC_tが基底真のx*に対して有限時間カバレッジを持つ(1-δ)信頼区列であることを証明する。
• 高次元のC_tを画素ごとの不確実性可視化へ射影し、幻覚検出に活用する方法を示す。

実験結果

リサーチクエスチョン

• RQ1 原理的な逐次信頼区列は現実的な前方モデル下でCT再構成の有限サンプル・anytime有効性を提供できるか。
• RQ2 深層 priors（単一予測、アンサンブル、拡散モデル）は信頼区間の厳密性と狭さにどう影響するか。
• RQ3 この枠組みはモデル幻覚を検出し、臨床医や操作担当者が解釈できる画素ごとの不確実性を示せるか。
• RQ4 信頼区間と可視化は医用・産業・材料科学のCTデータセットでどう機能するか。
• RQ5 高次元の信頼集合を情報量の多い画素ごとの不確実性マップへ射影する実践的戦略は何か。

主な発見

• 深層学習 priors は、FBPやMLEなどの古典的ベースラインよりも大幅に狭い信頼区間を同等のカバレッジ保証の下で得られる。
• 混合ベースの混合（例：U-Netアンサンブル、拡散モデル）は、平均予測アプローチと比較して逐次負対数尤度閾値beta_tを一貫して低下させ、C_tを引き締める。
• 本手法はデータセットと強度に対して統計的カバレッジを達成し(経験的クロスオーバー率<=0.05)、拡散ベースの混合が特に厳密な境界を提供する。
• 信頼区列は測定データと一致しない再構成をフラグすることで、幾何的な不整合やモデル幻覚の検出を効果的に可能にする。
• 画素ごとの不確実性マップはC_tから worst-case 最適化や拡散境界サンプリングを介して導出でき、直感的な不確実性の可視化を実現する。
• この枠組みは古典的・深屈学習再構成の双方へ一般化でき、CTで用いられる非線形前方モデルと泊まるPoissonノイズにも適用可能である。