論文の概要: A General Model for Retinal Segmentation and Quantification

• arxiv url: http://arxiv.org/abs/2602.07012v1
• Date: Sat, 31 Jan 2026 10:24:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.350509
• Title: A General Model for Retinal Segmentation and Quantification
• Title（参考訳）: 網膜セグメンテーションと定量化の一般モデル
• Authors: Zhonghua Wang, Lie Ju, Sijia Li, Wei Feng, Sijin Zhou, Ming Hu, Jianhao Xiong, Xiaoying Tang, Yifan Peng, Mingquan Lin, Yaodong Ding, Yong Zeng, Wenbin Wei, Li Dong, Zongyuan Ge,
• Abstract要約: 眼底イメージングのための一般的な網膜分画および定量化フレームワークであるRetSAMについて述べる。 堅牢なマルチターゲットセグメンテーションと標準化されたバイオマーカー抽出を提供し、下流眼科研究と眼科相関分析を支援している。 その結果得られたバイオマーカーは、糖尿病網膜症、加齢に伴う黄斑変性、緑内障、近視など、主要な眼科疾患の体系的な相関解析を可能にする。
• 参考スコア（独自算出の注目度）: 40.957724455503346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retinal imaging is fast, non-invasive, and widely available, offering quantifiable structural and vascular signals for ophthalmic and systemic health assessment. This accessibility creates an opportunity to study how quantitative retinal phenotypes relate to ocular and systemic diseases. However, such analyses remain difficult at scale due to the limited availability of public multi-label datasets and the lack of a unified segmentation-to-quantification pipeline. We present RetSAM, a general retinal segmentation and quantification framework for fundus imaging. It delivers robust multi-target segmentation and standardized biomarker extraction, supporting downstream ophthalmologic studies and oculomics correlation analyses. Trained on over 200,000 fundus images, RetSAM supports three task categories and segments five anatomical structures, four retinal phenotypic patterns, and more than 20 distinct lesion types. It converts these segmentation results into over 30 standardized biomarkers that capture structural morphology, vascular geometry, and degenerative changes. Trained with a multi-stage strategy using both private and public fundus data, RetSAM achieves superior segmentation performance on 17 public datasets. It improves on prior best methods by 3.9 percentage points in DSC on average, with up to 15 percentage points on challenging multi-task benchmarks, and generalizes well across diverse populations, imaging devices, and clinical settings. The resulting biomarkers enable systematic correlation analyses across major ophthalmic diseases, including diabetic retinopathy, age-related macular degeneration, glaucoma, and pathologic myopia. Together, RetSAM transforms fundus images into standardized, interpretable quantitative phenotypes, enabling large-scale ophthalmic research and translation.
• Abstract（参考訳）: 網膜イメージングは高速で非侵襲的で広く利用でき、眼科および全身的な健康評価のための定量的構造信号および血管信号を提供する。 このアクセシビリティーは、網膜の表現型が眼疾患や全身疾患とどのように関係するかを研究する機会を生み出す。 しかし、パブリックなマルチラベルデータセットの可用性の制限や、統一されたセグメンテーション・ツー・クエンティフィケーションパイプラインの欠如により、そのような分析は依然として大規模に難しいままである。 眼底イメージングのための一般的な網膜分画および定量化フレームワークであるRetSAMについて述べる。 堅牢なマルチターゲットセグメンテーションと標準化されたバイオマーカー抽出を提供し、下流眼科研究と眼科相関分析を支援している。 20万枚以上の眼底画像に基づいてトレーニングされたRetSAMは、3つのタスクカテゴリと5つの解剖学的構造、4つの網膜表現型パターン、20以上の異なる病変タイプをサポートしている。 これらのセグメンテーションの結果を30以上の標準化されたバイオマーカーに変換し、構造形態、血管形状、変性の変化を捉える。 プライベートとパブリックの両方のファンドデータを使用して、マルチステージ戦略でトレーニングされたRetSAMは、17のパブリックデータセット上で、より優れたセグメンテーションパフォーマンスを実現する。 従来のベストメソッドを平均で3.9%改善し、マルチタスクのベンチマークに挑戦する際の最大15ポイントを達成し、多様な人口、イメージングデバイス、臨床設定をうまく一般化する。 その結果得られたバイオマーカーは、糖尿病網膜症、加齢に伴う黄斑変性、緑内障、病理性近視など、主要な眼科疾患の系統的相関解析を可能にした。 同時にRetSAMは、眼底画像を標準化され、解釈可能な定量的表現型に変換し、大規模な眼科研究と翻訳を可能にした。

関連論文リスト

• Quasi-multimodal-based pathophysiological feature learning for retinal disease diagnosis [4.437523386839875]
  多モードデータ合成と融合を統合した統合フレームワークが網膜疾患の分類とグレーディングのために提案されている。 提案する学習システムは,画像空間と特徴空間の両方の可視化を通して,徹底的に解釈される。 この研究は網膜疾患スクリーニングの精度と効率を高めるだけでなく、様々な医用画像モダリティにまたがるデータ拡張のためのスケーラブルなフレームワークも提供する。
  論文  参考訳（メタデータ） (2026-02-03T15:13:57Z)
• DGSSA: Domain generalization with structural and stylistic augmentation for retinal vessel segmentation [17.396365010722423]
  網膜血管形態は糖尿病、緑内障、高血圧などの疾患の診断に重要である。 従来のセグメンテーション手法は、トレーニングとテストのデータが同様の分布を共有していると仮定する。 本稿では,網膜血管画像分割のための新しいアプローチ DGSSA を提案する。
  論文  参考訳（メタデータ） (2025-01-07T01:47:57Z)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• A Novel Vision Transformer with Residual in Self-attention for Biomedical Image Classification [8.92307560991779]
  本稿では、視覚変換器(ViT)のためのマルチヘッド自己注意の新しい枠組みについて述べる。 提案手法は,マルチヘッドアテンションの各ブロックにおける最高のアテンション出力を蓄積するために,残差接続の概念を用いる。 その結果、従来のViTや他の畳み込みに基づく最先端の分類モデルよりも顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-06-02T15:06:14Z)
• 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)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。