Fugu-MT 論文翻訳(概要): Robust Multi-Disease Retinal Classification via Xception-Based Transfer Learning and W-Net Vessel Segmentation

論文の概要: Robust Multi-Disease Retinal Classification via Xception-Based Transfer Learning and W-Net Vessel Segmentation

arxiv url: http://arxiv.org/abs/2512.10608v1
Date: Thu, 11 Dec 2025 13:03:03 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-12 16:15:42.366909
Title: Robust Multi-Disease Retinal Classification via Xception-Based Transfer Learning and W-Net Vessel Segmentation
Title（参考訳）: Xception-based Transfer LearningとW-Net Vessel Segmentationによるロバスト多値網膜分類
Authors: Mohammad Sadegh Gholizadeh, Amir Arsalan Rezapour,
Abstract要約: 本稿では,眼疾患の自動診断のためのディープラーニングアーキテクチャに関する総合的研究について述べる。深い特徴抽出と解釈可能な画像処理モジュールを組み合わせたパイプラインを実装した。臨床形態学的特徴のモデル予測を基礎として,アルゴリズム出力と専門的医学的検証のギャップを埋めることを目的としている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, the incidence of vision-threatening eye diseases has risen dramatically, necessitating scalable and accurate screening solutions. This paper presents a comprehensive study on deep learning architectures for the automated diagnosis of ocular conditions. To mitigate the "black-box" limitations of standard convolutional neural networks (CNNs), we implement a pipeline that combines deep feature extraction with interpretable image processing modules. Specifically, we focus on high-fidelity retinal vessel segmentation as an auxiliary task to guide the classification process. By grounding the model's predictions in clinically relevant morphological features, we aim to bridge the gap between algorithmic output and expert medical validation, thereby reducing false positives and improving deployment viability in clinical settings.
Abstract（参考訳）: 近年、視力の弱まる眼疾患の発生は劇的に増加し、スケーラブルで正確なスクリーニングソリューションを必要としている。本稿では,眼疾患の自動診断のためのディープラーニングアーキテクチャに関する総合的研究について述べる。標準畳み込みニューラルネットワーク(CNN)の「ブラックボックス」制限を軽減するため、深い特徴抽出と解釈可能な画像処理モジュールを組み合わせたパイプラインを実装した。具体的には,高忠実度網膜血管セグメンテーションに焦点をあてて分類プロセスの導出を行う。本研究は, 臨床形態学的特徴のモデル予測を基礎として, アルゴリズム出力と専門的医学的検証のギャップを埋めることを目的として, 偽陽性を減らし, 臨床環境における展開可能性を向上させることを目的とする。

関連論文リスト

Efficient Deep Learning for Medical Imaging: Bridging the Gap Between High-Performance AI and Clinical Deployment [7.556909298052158]
このレビューは、医療領域に特化された効率的で軽量なディープラーニングアーキテクチャを包括的に合成する。我々は、現代の効率的なモデルの展望を、畳み込みニューラルネットワーク(CNN)、軽量トランスフォーマー、新しい線形複雑度モデルという3つの主要なストリームに分類する。現在の制限を特定し、デバイス上のインテリジェンスへの移行について議論することにより、このレビューは、高性能AIとリソース制約のある臨床環境の間のギャップを埋めることを目的とした、研究者や実践者のロードマップとなる。
論文参考訳（メタデータ） (2026-01-31T21:42:36Z)
Effective Attention-Guided Multi-Scale Medical Network for Skin Lesion Segmentation [12.606268951019965]
本稿では,マルチスケール残差構造に基づく革新的なエンコーダ・デコーダネットワークアーキテクチャを提案する。 MRCF (Multi-Resolution Multi-Channel Fusion) モジュールの導入により, クロススケールな特徴を捉え, 抽出した情報の明瞭度と精度を向上させる。また、注意範囲を再定義し、複数のコンテキストにまたがる重みを動的に計算するCross-Mix Attention Module (CMAM)を提案する。
論文参考訳（メタデータ） (2025-12-08T08:15:39Z)
Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
そこで本研究では,SegNetによる網膜層分割の自動化と解釈のためのディープラーニングフレームワークを提案する。改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。 Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
論文参考訳（メタデータ） (2025-09-09T14:31:51Z)
Towards Accurate and Interpretable Neuroblastoma Diagnosis via Contrastive Multi-scale Pathological Image Analysis [16.268045905735818]
病理画像分類に適したコントラスト学習に基づくマルチスケール機能融合モデルであるCMSwinKANを提案する。マルチスケールの特徴を融合させ、対照的な学習戦略を活用することで、CMSwinKANは臨床医の包括的なアプローチを模倣する。その結果、CMSwinKANは、既存の最先端の病理モデルよりも、大規模なデータセットで事前訓練されたモデルよりもパフォーマンスがよいことが示された。
論文参考訳（メタデータ） (2025-04-18T15:39:46Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
RetiFluidNet: A Self-Adaptive and Multi-Attention Deep Convolutional Network for Retinal OCT Fluid Segmentation [3.57686754209902]
OCTガイド下治療には網膜液の定量化が必要である。 RetiFluidNetと呼ばれる新しい畳み込みニューラルアーキテクチャは、多クラス網膜流体セグメンテーションのために提案されている。モデルは、テクスチャ、コンテキスト、エッジといった特徴の階層的な表現学習の恩恵を受ける。
論文参考訳（メタデータ） (2022-09-26T07:18:00Z)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文参考訳（メタデータ） (2020-10-09T14:39:27Z)
Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文参考訳（メタデータ） (2020-07-18T05:46:47Z)
Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。