論文の概要: State-of-the-Art Periorbital Distance Prediction and Disease Classification Using Periorbital Features

• arxiv url: http://arxiv.org/abs/2409.18769v5
• Date: Wed, 14 May 2025 16:01:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-15 15:30:05.396056
• Title: State-of-the-Art Periorbital Distance Prediction and Disease Classification Using Periorbital Features
• Title（参考訳）: 眼窩部特徴を用いた眼窩周囲距離の予測と疾患分類
• Authors: George R. Nahass, Sasha Hubschman, Jeffrey C. Peterson, Ghasem Yazdanpanah, Nicholas Tomaras, Madison Cheung, Alex Palacios, Kevin Heinze, Chad A. Purnell, Pete Setabutr, Ann Q. Tran, Darvin Yi,
• Abstract要約: 眼窩周囲距離は、眼球形成および頭蓋顔面の様々な病態を診断し、監視するための重要なマーカーである。 我々は、健康眼の領域固有のデータセットに基づいて訓練されたセグメンテーションパイプラインを開発した。 我々のセグメンテーションモデルは、すべてのデータセットで最先端の精度を達成し、インターグラダー変動率内のエラー率を得た。
• 参考スコア（独自算出の注目度）: 0.19124895078287507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Periorbital distances are critical markers for diagnosing and monitoring a range of oculoplastic and craniofacial conditions. Manual measurement, however, is subjective and prone to intergrader variability. Automated methods have been developed but remain limited by standardized imaging requirements, small datasets, and a narrow focus on individual measurements. We developed a segmentation pipeline trained on a domain-specific dataset of healthy eyes and compared its performance against the Segment Anything Model (SAM) and the prior benchmark, PeriorbitAI. Segmentation accuracy was evaluated across multiple disease classes and imaging conditions. We further investigated the use of predicted periorbital distances as features for disease classification under in-distribution (ID) and out-of-distribution (OOD) settings, comparing shallow classifiers, CNNs, and fusion models. Our segmentation model achieved state-of-the-art accuracy across all datasets, with error rates within intergrader variability and superior performance relative to SAM and PeriorbitAI. In classification tasks, models trained on periorbital distances matched CNN performance on ID data (77--78\% accuracy) and substantially outperformed CNNs under OOD conditions (63--68\% accuracy vs. 14\%). Fusion models achieved the highest ID accuracy (80\%) but were sensitive to degraded CNN features under OOD shifts. Segmentation-derived periorbital distances provide robust, explainable features for disease classification and generalize better under domain shift than CNN image classifiers. These results establish a new benchmark for periorbital distance prediction and highlight the potential of anatomy-based AI pipelines for real-world deployment in oculoplastic and craniofacial care.
• Abstract（参考訳）: 眼窩周囲距離は、眼球形成および頭蓋顔面の様々な病態を診断し、監視するための重要なマーカーである。 しかし、手動測定は主観的であり、段階的変動の傾向が強い。 自動化された手法は開発されているが、標準化されたイメージング要件、小さなデータセット、個々の測定に焦点を絞ることによって制限されている。 我々は、健康眼の領域固有のデータセットに基づいて訓練されたセグメンテーションパイプラインを開発し、その性能をSegment Anything Model(SAM)と以前のベンチマークであるPeriorbitAIと比較した。 セグメンテーションの精度は、複数の疾患のクラスと画像診断条件で評価された。 In-distriion (ID) と Out-of-distriion (OOD) の設定による疾患分類の特徴として, 浅部分類器, CNN, 融合モデルの比較を行った。 セグメンテーションモデルでは,すべてのデータセットに対して,インタグレータ変動率内のエラー率とSAMやPeriorbitAIと比較して優れたパフォーマンスで,最先端の精度を実現した。 分類タスクでは, 軌道周辺距離で訓練したモデルは, IDデータ上でのCNN性能(精度77～78.%)とOOD条件下でのCNN性能(精度63～68.%, 精度14.%)とを比較した。 核融合モデルは最も高いID精度(80\%)を達成したが、OODシフト下での劣化CNNの特徴に敏感であった。 セグメンテーション由来の眼窩周囲距離は、疾患分類のための堅牢で説明可能な特徴を提供し、CNN画像分類器よりもドメインシフト下での一般化を提供する。 これらの結果は、眼窩周囲距離予測のための新しいベンチマークを確立し、眼骨形成および頭蓋顔面ケアにおける実際の展開のための解剖学的ベースのAIパイプラインの可能性を強調している。

関連論文リスト

• Benchmarking Pretrained Attention-based Models for Real-Time Recognition in Robot-Assisted Esophagectomy [2.847280871973632]
  食道癌は世界中で最も多いがんの1つである。 近年,ロボットによる最小侵襲食道切除術が有望な代替手段として浮上している。 コンピュータ支援解剖学の認識は、手術ナビゲーションを改善することを約束する。
  論文  参考訳（メタデータ） (2024-12-04T15:32:37Z)
• Open-Source Periorbital Segmentation Dataset for Ophthalmic Applications [30.61547468576024]
  深層学習を用いた眼窩周囲のセグメンテーションと距離予測は、疾患状態の客観的定量化を可能にする。 現在、深層学習モデルのトレーニングを目的としたセグメンテーションデータセットの報告は、目の周りの領域でサブミリの精度で行われていない。 本稿では,このデータセットをイントラグレータ内信頼性試験およびイントラグレータ間信頼性試験により検証し,軌道周辺セグメンテーションネットワークのトレーニングにおけるデータの有用性を示す。
  論文  参考訳（メタデータ） (2024-09-30T15:35:27Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• DoseDiff: Distance-aware Diffusion Model for Dose Prediction in Radiotherapy [7.934475806787889]
  線量分布を正確に予測するための距離認識拡散モデル(DoseDiff)を提案する。 その結果,ドセディフ法は定量的性能と視覚的品質の両方の観点から,最先端の線量予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-28T15:58:53Z)
• Realistic Data Enrichment for Robust Image Segmentation in Histopathology [2.248423960136122]
  拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。 本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
  論文  参考訳（メタデータ） (2023-04-19T09:52:50Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• Hierarchical Optimal Transport for Comparing Histopathology Datasets [12.722028880166278]
  本稿では,最適な輸送距離の階層的一般化に基づく病理組織学データセット間の距離の原理的概念を提案する。 本手法はトレーニングを一切必要とせず,モデルタイプに非依存であり,タイリングによる病理組織学的データセットの階層構造の多くを保存している。
  論文  参考訳（メタデータ） (2022-04-18T13:52:06Z)
• Facial Anatomical Landmark Detection using Regularized Transfer Learning with Application to Fetal Alcohol Syndrome Recognition [24.27777060287004]
  出生前アルコール曝露による胎児アルコール症候群(FAS)は、一連の頭蓋顔面異常を引き起こす可能性がある。 解剖学的ランドマーク検出は,FAS関連顔面異常の検出に重要である。 自然画像における顔のランドマーク検出のために設計された現在のディープラーニングに基づく熱マップ回帰法は、大きなデータセットが利用できることを前提としている。 我々は,大規模な顔認識データセットから学習したネットワークの知識を活用する,新たな正規化トランスファー学習手法を開発した。
  論文  参考訳（メタデータ） (2021-09-12T11:05:06Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。