Fugu-MT 論文翻訳(概要): Diabetic Retinopathy Lesion Segmentation through Attention Mechanisms

論文の概要: Diabetic Retinopathy Lesion Segmentation through Attention Mechanisms

arxiv url: http://arxiv.org/abs/2602.07301v1
Date: Sat, 07 Feb 2026 01:25:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-10 20:26:24.560658
Title: Diabetic Retinopathy Lesion Segmentation through Attention Mechanisms
Title（参考訳）: 糖尿病網膜症におけるアテンション機構による病変の分離
Authors: Aruna Jithesh, Chinmayi Karumuri, Venkata Kiran Reddy Kotha, Meghana Doddapuneni, Taehee Jeong,
Abstract要約: 糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病による眼疾患である。視覚障害や視力低下を引き起こす可能性がある。可逆的な視力喪失を防止するため、系統的スクリーニングによる早期検出が重要である。本手法は,眼科医が眼底画像からDRをスクリーニングするのを効果的に支援する,病変に対するピクセルレベルのアノテーションを提供する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Diabetic Retinopathy (DR) is an eye disease which arises due to diabetes mellitus. It might cause vision loss and blindness. To prevent irreversible vision loss, early detection through systematic screening is crucial. Although researchers have developed numerous automated deep learning-based algorithms for DR screening, their clinical applicability remains limited, particularly in lesion segmentation. Our method provides pixel-level annotations for lesions, which practically supports Ophthalmologist to screen DR from fundus images. In this work, we segmented four types of DR-related lesions: microaneurysms, soft exudates, hard exudates, and hemorrhages on 757 images from DDR dataset. To enhance lesion segmentation, an attention mechanism was integrated with DeepLab-V3+. Compared to the baseline model, the Attention-DeepLab model increases mean average precision (mAP) from 0.3010 to 0.3326 and the mean Intersection over Union (IoU) from 0.1791 to 0.1928. The model also increased microaneurysm detection from 0.0205 to 0.0763, a clinically significant improvement. The detection of microaneurysms is the earliest visible symptom of DR.
Abstract（参考訳）: 糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病による眼疾患である。視覚障害や視力低下を引き起こす可能性がある。可逆的な視力喪失を防止するため、系統的スクリーニングによる早期検出が重要である。研究者は、DRスクリーニングのための多数の自動ディープラーニングベースのアルゴリズムを開発したが、臨床応用性は、特に病変のセグメンテーションにおいて限られている。本手法は,眼科医が眼底画像からDRをスクリーニングするのを効果的に支援する,病変に対するピクセルレベルのアノテーションを提供する。本研究は,DDRデータセットから757個の画像上に,微小動脈瘤,軟部解離,硬部解離,出血の4種類のDR関連病変を分類した。病変のセグメンテーションを高めるため,DeepLab-V3+に注意機構を組み込んだ。ベースラインモデルと比較して、Attention-DeepLab モデルは平均平均精度 (mAP) を 0.3010 から 0.3326 に、IoU (Intersection over Union) を 0.1791 から 0.1928 に引き上げている。このモデルはまた、微小動脈瘤の検出を0.0205から0.0763に増加させ、臨床的に有意な改善をもたらした。微小動脈瘤の検出は、DRの最も初期の可視症状である。

関連論文リスト

Hybrid Deep Learning Framework for Enhanced Diabetic Retinopathy Detection: Integrating Traditional Features with AI-driven Insights [0.0]
糖尿病網膜症(Dia-betes Mellitus, DM)は、特にインドにおいて主要な国際的関心事である。基底画像は、微妙な網膜病変を検出することによって正確な診断を支援する。本稿では,従来の特徴抽出とディープラーニング(DL)を組み合わせたハイブリッド診断フレームワークを提案する。
論文参考訳（メタデータ） (2025-10-21T09:50:16Z)
Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
論文参考訳（メタデータ） (2025-08-17T21:54:11Z)
A graph neural network-based multispectral-view learning model for diabetic macular ischemia detection from color fundus photographs [3.3962806408426482]
糖尿病性黄斑虚血(DMI)は糖尿病患者の視力障害に寄与する。基礎画像からDMIを検出するために,グラフニューラルネットワークを用いたマルチスペクトルビューラーニング(GNN-MSVL)モデルを提案する。
論文参考訳（メタデータ） (2025-02-25T06:17:20Z)
Enhancing Diabetic Retinopathy Detection with CNN-Based Models: A Comparative Study of UNET and Stacked UNET Architectures [0.0]
糖尿病網膜症DRは糖尿病の重篤な合併症である。損傷または異常な血管は視力喪失を引き起こす可能性がある。糖尿病患者の大量スクリーニングの必要性は、コンピュータ支援によるDRの完全自動診断への関心を生んでいる。ディープラーニングフレームワーク、特に畳み込みニューラルネットワークCNNは、網膜画像を分析してDRを検出することに非常に興味を持ち、約束している。
論文参考訳（メタデータ） (2024-11-02T14:02:45Z)
Strategy for Rapid Diabetic Retinopathy Exposure Based on Enhanced Feature Extraction Processing [0.0]
本研究の目的は, 糖尿病網膜症の診断を改善するために, 時間的DR識別のための深層学習モデルを開発することである。提案モデルでは,早期に網膜画像から様々な病変を検出する。
論文参考訳（メタデータ） (2023-05-08T14:17:33Z)
DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical Coherence Tomography Angiography Images [51.27125547308154]
第25回医用画像コンピューティング・コンピュータ支援介入国際会議(MICCAI 2022)にともなうDRAC糖尿病網膜症解析チャレンジの企画を行った。この課題は、DR病変の分節化、画像品質評価、DRグレーディングの3つのタスクから構成される。本稿では,課題の各課題について,トップパフォーマンスのソリューションと結果の要約と分析を行う。
論文参考訳（メタデータ） (2023-04-05T12:04:55Z)
StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文参考訳（メタデータ） (2022-01-31T14:27:35Z)
3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。 1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文参考訳（メタデータ） (2021-12-18T17:05:53Z)
Advances in Classifying the Stages of Diabetic Retinopathy Using Convolutional Neural Networks in Low Memory Edge Devices [0.0]
糖尿病網膜症(DR)は重症合併症であり、網膜血管障害を引き起こす可能性がある。これは視覚障害と視覚障害の主要な原因の1つである。低メモリエッジマイクロコントローラ上でDRのすべてのステージを検出するために畳み込みニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2021-06-03T10:40:54Z)
An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文参考訳（メタデータ） (2021-03-02T13:14:15Z)
A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがあるコンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文参考訳（メタデータ） (2020-08-22T07:48:04Z)

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。