Fugu-MT 論文翻訳(概要): Balanced Few-Shot Episodic Learning for Accurate Retinal Disease Diagnosis

論文の概要: Balanced Few-Shot Episodic Learning for Accurate Retinal Disease Diagnosis

arxiv url: http://arxiv.org/abs/2512.04967v1
Date: Thu, 04 Dec 2025 16:35:54 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-05 21:11:46.274229
Title: Balanced Few-Shot Episodic Learning for Accurate Retinal Disease Diagnosis
Title（参考訳）: 正確な網膜疾患診断のためのバランス付きFew-Shot Episodic Learning
Authors: Jasmaine Khale, Ravi Prakash Srivastava,
Abstract要約: 少ないショットラーニングにより、モデルがクラス毎にラベル付けされたサンプルのみから一般化できる。本稿では、Retinal Fundus Multi-Disease Imageデータセットに合わせた、バランスの取れた数発のエピソード学習フレームワークを提案する。本フレームワークは, 重症度の向上と, 多数派に対する偏見の低減を図り, 未適応疾患に対する顕著な改善を図っている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automated retinal disease diagnosis is vital given the rising prevalence of conditions such as diabetic retinopathy and macular degeneration. Conventional deep learning approaches require large annotated datasets, which are costly and often imbalanced across disease categories, limiting their reliability in practice. Few-shot learning (FSL) addresses this challenge by enabling models to generalize from only a few labeled samples per class. In this study,we propose a balanced few-shot episodic learning framework tailored to the Retinal Fundus Multi-Disease Image Dataset (RFMiD). Focusing on the ten most represented classes, which still show substantial imbalance between majority diseases (e.g., Diabetic Retinopathy, Macular Hole) and minority ones (e.g., Optic Disc Edema, Branch Retinal Vein Occlusion), our method integrates three key components: (i) balanced episodic sampling, ensuring equal participation of all classes in each 5-way 5-shot episode; (ii) targeted augmentation, including Contrast Limited Adaptive Histogram Equalization (CLAHE) and color/geometry transformations, to improve minority-class di- versity; and (iii) a ResNet-50 encoder pretrained on ImageNet, selected for its superior ability to capture fine-grained retinal features. Prototypes are computed in the embedding space and classification is performed with cosine similarity for improved stability. Trained on 100 episodes and evaluated on 1,000 test episodes, our framework achieves substantial accuracy gains and reduces bias toward majority classes, with notable improvements for underrepresented diseases. These results demonstrate that dataset-aware few-shot pipelines, combined with balanced sampling and CLAHE-enhanced preprocessing, can deliver more robust and clinically fair retinal disease diagnosis under data-constrained conditions.
Abstract（参考訳）: 糖尿病性網膜症や黄斑変性などの病態が増加し,網膜疾患の診断が不可欠である。従来のディープラーニングアプローチでは、コストが高く、しばしば病気のカテゴリ間で不均衡な大規模な注釈付きデータセットが必要であり、実際は信頼性を制限している。 FSL(Few-shot Learning)はこの課題に対処し、モデルがクラス毎にわずかにラベル付けされたサンプルから一般化できるようにする。本研究では,RFMiD(Retinal Fundus Multi-Disease Image Dataset)に合わせた,バランスの取れた数発のエピソード学習フレームワークを提案する。多数疾患(糖尿病網膜症、黄斑円孔症)と少数疾患(視神経乳頭浮腫、分枝網膜静脈閉塞症など)とを相容れない10のクラスに焦点をあてて,本手法は3つの重要な要素を統合する。 (i)バランスの取れたエピソードサンプリング、各5-way 5-shot エピソードにおける全てのクラスが等しく参加すること。 (II) 少数クラスの二変量を改善するために、コントラスト限定適応ヒストグラム等化(CLAHE)や色/幾何学変換を含むターゲット増強 (iii)ImageNetで事前訓練されたResNet-50エンコーダ。組込み空間でプロトタイプを計算し、安定性を向上させるためにコサイン類似性を用いて分類を行う。本フレームワークは,100エピソードをトレーニングし,1000エピソードを評価したところ,精度が向上し,多数派に対する偏見が低下し,低発現疾患に対する顕著な改善が見られた。これらの結果から,データ制約条件下では,データセットを意識した少ショットパイプラインと,バランスの取れたサンプリングとCLAHEによる前処理を組み合わせることで,より堅牢で公平な網膜疾患の診断が可能になることが示唆された。

関連論文リスト

EndoCIL: A Class-Incremental Learning Framework for Endoscopic Image Classification [5.574295682041076]
内視鏡画像解析のためのクラスインクリメンタルラーニング(CIL)は,臨床応用に不可欠である。本稿では,内視鏡的画像診断に適した新しい統合型CILフレームワークであるEndoCILを提案する。
論文参考訳（メタデータ） (2025-10-20T06:26:54Z)
Taylor-Series Expanded Kolmogorov-Arnold Network for Medical Imaging Classification [0.0]
本研究は,限られた多様なデータセットを用いた正確な医用画像分類のためのKAN(Kolmogorov-Arnold Networks)を紹介する。モデルはSBTAYLOR-KAN、B-splinesとTaylorシリーズの統合、SBRBF-KAN、Morletウェーブレット変換にB-splinesを埋め込むSBWAVELET-KANである。脳MRI,胸部X線,結核X線,皮膚病変画像を前処理なしで評価した。
論文参考訳（メタデータ） (2025-09-17T04:33:54Z)
Iterative Online Image Synthesis via Diffusion Model for Imbalanced Classification [29.730360798234294]
医用画像分類におけるクラス不均衡問題に対処するための反復オンライン画像合成フレームワークを提案する。このフレームワークにはオンライン画像合成(OIS)と精度適応サンプリング(AAS)という2つの重要なモジュールが組み込まれている。不均衡な分類に対処するための提案手法の有効性を評価するため,HAM10000およびAPTOSデータセットを用いて実験を行った。
論文参考訳（メタデータ） (2024-03-13T10:51:18Z)
Achieving Reliable and Fair Skin Lesion Diagnosis via Unsupervised Domain Adaptation [43.1078084014722]
教師なしドメイン適応(UDA)は、信頼性の高い分類器を開発するために、大きな外部データセットを統合することができる。 UDAは少数派に対する偏見を効果的に軽減し、診断システムの公平性を高めることができる。
論文参考訳（メタデータ） (2023-07-06T17:32:38Z)
SC-MIL: Supervised Contrastive Multiple Instance Learning for Imbalanced Classification in Pathology [2.854576370929018]
医療画像における機械学習の問題は、しばしば稀な疾患に対処する。病理画像では、別のレベルの不均衡があり、正にラベル付けされた全スライド画像(WSI)が与えられると、その内部のピクセルのごく一部だけが正のラベルに寄与する。本稿では,バッグレベルの表現から最適な分類器学習へと,段階的に移行するラベル不均衡の存在下での協調学習型MILフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-23T16:28:15Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文参考訳（メタデータ） (2021-09-08T07:56:51Z)
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)
Cost-Sensitive Regularization for Diabetic Retinopathy Grading from Eye Fundus Images [20.480034690570196]
本稿では,眼底画像から糖尿病網膜症(DR)の重症度を予測するための制約を強制するための簡単なアプローチを提案する。正規化要因として機能する余分な用語で標準分類損失を拡大する。 DRグレーディングに関連する各サブプロブレムにおいて,ラベルノイズのモデル化に我々の手法を適用する方法について述べる。
論文参考訳（メタデータ） (2020-10-01T10:42:06Z)
Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。