論文の概要: CLEAR-Mamba:Towards Accurate, Adaptive and Trustworthy Multi-Sequence Ophthalmic Angiography Classification

• arxiv url: http://arxiv.org/abs/2601.20601v2
• Date: Wed, 04 Feb 2026 02:18:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 15:07:33.522807
• Title: CLEAR-Mamba:Towards Accurate, Adaptive and Trustworthy Multi-Sequence Ophthalmic Angiography Classification
• Title（参考訳）: CLEAR-Mamba:Towardscurcurate, Adaptive and Trustworthy Multi-Sequence Ophthalmic Angiography Classification
• Authors: Zhuonan Wang, Wenjie Yan, Wenqiao Zhang, Xiaohui Song, Jian Ma, Ke Yao, Yibo Yu, Beng Chin Ooi,
• Abstract要約: 医用画像分類はコンピュータ支援診断(CAD)のコアタスクである 眼科領域ではFlurecein fundus angiography (FFA) とIndocyanine green angiography (ICGA) が血行動態および病変・構造情報を提供する。 我々は,MedMamba上に構築された拡張フレームワークであるCLEAR-Mambaを提案する。
• 参考スコア（独自算出の注目度）: 18.95392587947337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image classification is a core task in computer-aided diagnosis (CAD), playing a pivotal role in early disease detection, treatment planning, and patient prognosis assessment. In ophthalmic practice, fluorescein fundus angiography (FFA) and indocyanine green angiography (ICGA) provide hemodynamic and lesion-structural information that conventional fundus photography cannot capture. However, due to the single-modality nature, subtle lesion patterns, and significant inter-device variability, existing methods still face limitations in generalization and high-confidence prediction. To address these challenges, we propose CLEAR-Mamba, an enhanced framework built upon MedMamba with optimizations in both architecture and training strategy. Architecturally, we introduce HaC, a hypernetwork-based adaptive conditioning layer that dynamically generates parameters according to input feature distributions, thereby improving cross-domain adaptability. From a training perspective, we develop RaP, a reliability-aware prediction scheme built upon evidential uncertainty learning, which encourages the model to emphasize low-confidence samples and improves overall stability and reliability. We further construct a large-scale ophthalmic angiography dataset covering both FFA and ICGA modalities, comprising multiple retinal disease categories for model training and evaluation. Experimental results demonstrate that CLEAR-Mamba consistently outperforms multiple baseline models, including the original MedMamba, across various metrics-showing particular advantages in multi-disease classification and reliability-aware prediction. This study provides an effective solution that balances generalizability and reliability for modality-specific medical image classification tasks.
• Abstract（参考訳）: 医療画像分類はコンピュータ支援診断(CAD)における中核的な課題であり、早期疾患の検出、治療計画、患者の予後評価において重要な役割を担っている。 眼科におけるフルオレセイン・ファンドス・アンギオグラフィー(FFA)とインドシアニン・グリーン・アンギオグラフィー(ICGA)は、従来の眼底写真では捉えられない血行動態および病変・構造情報を提供する。 しかし、単一モダリティの性質、微妙な病変パターン、デバイス間の大きなばらつきのため、既存の手法はまだ一般化と高信頼予測の限界に直面している。 これらの課題に対処するために,アーキテクチャとトレーニング戦略の両面で最適化された,MedMamba上に構築された拡張フレームワークであるCLEAR-Mambaを提案する。 アーキテクチャ上は、ハイパーネットワークベースの適応条件付け層であるHaCを導入し、入力特徴分布に応じてパラメータを動的に生成し、ドメイン間の適応性を向上させる。 トレーニングの観点からは,確実な不確実性学習に基づいて構築された信頼性を考慮した予測手法であるRaPを開発し,信頼性の低いサンプルの強調と全体的な安定性と信頼性の向上を図る。 さらに、FFAとICGAの両方を対象とする大規模な眼科血管造影データセットを構築し、複数の網膜疾患カテゴリをモデルトレーニングと評価のために構成する。 実験結果から、CLEAR-Mambaは、MedMambaを含む複数のベースラインモデルよりも、マルチディスリーズ分類や信頼性に配慮した予測において、様々な指標で特に有利であることがわかった。 本研究は、モダリティ特異的な医用画像分類タスクの一般化可能性と信頼性のバランスをとる効果的なソリューションを提供する。

関連論文リスト

• UbiQVision: Quantifying Uncertainty in XAI for Image Recognition [39.47298454012977]
  SHAPの説明は、てんかんやアレタリック不確実性の存在下で不安定で信頼性が低い。 本研究はディリクレ後部サンプリングとデンプスター・シェーファー理論を用いて,これらの不安定な説明から生じる不確実性の定量化を行う。
  論文  参考訳（メタデータ） (2025-12-23T11:57:34Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
  本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。 情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:45:22Z)
• 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)
• Retinal Fundus Multi-Disease Image Classification using Hybrid CNN-Transformer-Ensemble Architectures [0.3277163122167434]
  我々の研究は、網膜疾患による人口の急激な世界的な問題に動機付けられています。 我々の主な目的は、網膜疾患を正確に予測できる包括的診断システムを開発することである。
  論文  参考訳（メタデータ） (2025-03-27T12:55:07Z)
• Enhance Eye Disease Detection using Learnable Probabilistic Discrete Latents in Machine Learning Architectures [1.6000489723889526]
  糖尿病網膜症や緑内障などの眼疾患は、公衆衛生上の重大な課題となる。 深層学習モデルは、網膜イメージングのような医療画像を分析する強力なツールとして登場した。 課題は、モデル適合性と不確実性の推定であり、これは臨床的な意思決定に不可欠である。
  論文  参考訳（メタデータ） (2024-01-21T04:14:54Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• MedFMC: A Real-world Dataset and Benchmark For Foundation Model Adaptation in Medical Image Classification [41.16626194300303]
  ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。 最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。 しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
  論文  参考訳（メタデータ） (2023-06-16T01:46:07Z)

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。