信頼性の高いセマンティックセグメンテーションは臨床意思決定に不可欠ですが、深層モデルはエラーに対する明示的な統計的保証を提供することが稀です。本研究では、偽陽性予測を制御するための適応的なフレームワークを提案します。具体的には、事前に訓練されたセグメンテーションモデルに対し、スコア閾値の調整や形態学的侵食を用いてマスクを縮小する方法を用いて、偽陽性の割合を新しい画像においても高い確率でユーザー指定の許容範囲内に保つことができます。この手法はモデルに依存せず、再訓練なしで動作し、基盤となる予測子にかかわらず有限サンプル保証を提供します。ポリープセグメンテーションのベンチマーク実験では、ターゲットレベルの実証的有効性が示されました。本フレームワークは、過度のセグメンテーションが臨床的な結果を持つ可能性がある状況での、実践的かつリスクを考慮したセグメンテーションを可能にします。