論文の概要: Artefact-Aware Fungal Detection in Dermatophytosis: A Real-Time Transformer-Based Approach for KOH Microscopy
- arxiv url: http://arxiv.org/abs/2602.19156v1
- Date: Sun, 22 Feb 2026 12:35:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-24 17:42:02.50719
- Title: Artefact-Aware Fungal Detection in Dermatophytosis: A Real-Time Transformer-Based Approach for KOH Microscopy
- Title（参考訳）: 皮膚線維症におけるアーチファクト・アウェア・ファンガル検出 : KOH顕微鏡におけるリアルタイムトランスフォーマーを用いたアプローチ
- Authors: Rana Gursoy, Abdurrahim Yilmaz, Baris Kizilyaprak, Esmahan Caglar, Burak Temelkuran, Huseyin Uvet, Ayse Esra Koku Aksu, Gulsum Gencoglan,
- Abstract要約: 本研究では,RT-DETRモデルアーキテクチャを用いた変圧器を用いた検出フレームワークを提案する。
高分解能水酸化カリウム(KOH)画像における真菌構造の精密でクエリ駆動的な局在化を実現する。
- 参考スコア（独自算出の注目度）: 0.28909295536379814
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Dermatophytosis is commonly assessed using potassium hydroxide (KOH) microscopy, yet accurate recognition of fungal hyphae is hindered by artefacts, heterogeneous keratin clearance, and notable inter-observer variability. This study presents a transformer-based detection framework using the RT-DETR model architecture to achieve precise, query-driven localization of fungal structures in high-resolution KOH images. A dataset of 2,540 routinely acquired microscopy images was manually annotated using a multi-class strategy to explicitly distinguish fungal elements from confounding artefacts. The model was trained with morphology-preserving augmentations to maintain the structural integrity of thin hyphae. Evaluation on an independent test set demonstrated robust object-level performance, with a recall of 0.9737, precision of 0.8043, and an AP@0.50 of 93.56%. When aggregated for image-level diagnosis, the model achieved 100% sensitivity and 98.8% accuracy, correctly identifying all positive cases without missing a single diagnosis. Qualitative outputs confirmed the robust localization of low-contrast hyphae even in artefact-rich fields. These results highlight that an artificial intelligence (AI) system can serve as a highly reliable, automated screening tool, effectively bridging the gap between image-level analysis and clinical decision-making in dermatomycology.
- Abstract（参考訳）: 皮膚線維症は水酸化カリウム(KOH)顕微鏡で一般的に評価されるが、真菌の正確な認識は人工物、異種ケラチンクリアランス、顕著なサーバ間変動によって妨げられる。
そこで本研究では,RT-DETRモデルアーキテクチャを用いて,高分解能 KOH 画像における真菌構造の高精度かつクエリ駆動的な局在化を実現するためのトランスフォーマーベース検出フレームワークを提案する。
2,540個の日常的に取得された顕微鏡画像のデータセットを多クラス戦略を用いて手動でアノテートした。
モデルは、薄型ヒ素の構造的整合性を維持するために、形態保存強化を用いて訓練された。
独立テストセットの評価では、0.9737のリコール、0.8043の精度、AP@0.50の93.56%の堅牢なオブジェクトレベルの性能を示した。
画像レベルの診断のために集計すると、100%の感度と98.8%の精度が得られ、1つの診断を欠くことなく全ての陽性症例を正確に同定した。
定性的出力は, 人工物リッチフィールドにおいても低コントラストハイファエのロバストな局在を確認した。
これらの結果は、人工知能(AI)システムが、画像レベルの分析と皮膚筋学における臨床的意思決定のギャップを効果的に埋め、信頼性が高く、自動化されたスクリーニングツールとして機能できることを強調している。
関連論文リスト
- A WDLoRA-Based Multimodal Generative Framework for Clinically Guided Corneal Confocal Microscopy Image Synthesis in Diabetic Neuropathy [8.701084151107652]
糖尿病性末梢神経障害(DPN)における角膜共焦点顕微鏡による小線維損傷の評価
強靭で自動的なディープラーニングに基づく診断モデルの開発は、角膜神経形態学におけるラベル付きデータの不足ときめ細かい変化によって制限される。
臨床誘導CCM画像合成のためのWDLoRAに基づくマルチモーダル生成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-14T09:32:44Z) - 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) - A Segmentation Framework for Accurate Diagnosis of Amyloid Positivity without Structural Images [9.423899158217232]
本研究では,ポジトロン・エミッション・トモグラフィ(PET)画像のみを用いて,脳領域の自動セグメンテーションのためのディープラーニングベースのフレームワークを提案する。
4層の深さを持つ3次元U-Netアーキテクチャを200個のF18-ベタピルアミロイドPETスキャンでトレーニングし、検証した。
このモデルでは,アミロイドの定量値に基づいて,アミロイドの比重0.98の分類精度を達成した。
論文 参考訳（メタデータ） (2025-07-30T02:44:16Z) - HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。
WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。
本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
論文 参考訳（メタデータ） (2025-06-23T17:22:19Z) - Object Detection for Medical Image Analysis: Insights from the RT-DETR Model [40.593685087097995]
本稿では,RT-DETRモデルに基づく複雑な画像データ解析のための新しい検出フレームワークの適用について述べる。
RT-DETRモデルはTransformerベースのアーキテクチャ上に構築され,高次元かつ複雑な視覚データ処理に優れ,堅牢性と精度が向上した。
論文 参考訳（メタデータ） (2025-01-27T20:02:53Z) - EVolutionary Independent DEtermiNistiC Explanation [5.127310126394387]
本稿では進化的独立決定論的説明(EVIDENCE)理論を紹介する。
EVIDENCEはブラックボックスモデルから重要な信号を抽出する決定論的、モデルに依存しない方法を提供する。
EVIDENCEの実践的応用は、医療における診断精度の向上と音声信号分析の強化である。
論文 参考訳（メタデータ） (2025-01-20T12:05:14Z) - Deep Generative Classification of Blood Cell Morphology [7.494975467007647]
細胞形態を効果的にモデル化する拡散型分類器であるCytoDiffusionを紹介する。
本手法は異常検出における最先端の識別モデルよりも優れている。
直接解釈可能な逆ファクト・ヒートマップの生成によりモデル説明可能性を向上させる。
論文 参考訳（メタデータ） (2024-08-16T19:17:02Z) - Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。
FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。
我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
論文 参考訳（メタデータ） (2024-06-18T03:04:52Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z)
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。