論文の概要: RetinaVision: XAI-Driven Augmented Regulation for Precise Retinal Disease Classification using deep learning framework

• arxiv url: http://arxiv.org/abs/2602.19324v1
• Date: Sun, 22 Feb 2026 20:05:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.588687
• Title: RetinaVision: XAI-Driven Augmented Regulation for Precise Retinal Disease Classification using deep learning framework
• Title（参考訳）: 網膜ビジョン:ディープラーニングフレームワークを用いたXAIによる網膜疾患の精密分類のための拡張制御
• Authors: Mohammad Tahmid Noor, Shayan Abrar, Jannatul Adan Mahi, Md Parvez Mia, Asaduzzaman Hridoy, Samanta Ghosh,
• Abstract要約: 光コヒーレンストモグラフィ(OCT)画像を用いた網膜疾患分類のための深層学習手法を提案する。 Xceptionは最も正確なネットワーク(95.25%)で、InceptionV3(94.82%)が続いた。 これらの結果は,深層学習が網膜疾患の効果的な分類を可能にし,臨床応用における精度と解釈可能性の重要性を強調していることを示唆している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early and accurate classification of retinal diseases is critical to counter vision loss and for guiding clinical management of retinal diseases. In this study, we proposed a deep learning method for retinal disease classification utilizing optical coherence tomography (OCT) images from the Retinal OCT Image Classification - C8 dataset (comprising 24,000 labeled images spanning eight conditions). Images were resized to 224x224 px and tested on convolutional neural network (CNN) architectures: Xception and InceptionV3. Data augmentation techniques (CutMix, MixUp) were employed to enhance model generalization. Additionally, we applied GradCAM and LIME for interpretability evaluation. We implemented this in a real-world scenario via our web application named RetinaVision. This study found that Xception was the most accurate network (95.25%), followed closely by InceptionV3 (94.82%). These results suggest that deep learning methods allow effective OCT retinal disease classification and highlight the importance of implementing accuracy and interpretability for clinical applications.
• Abstract（参考訳）: 網膜疾患の早期かつ正確な分類は、視力喪失に対処し、網膜疾患の臨床的管理を導くために重要である。 本研究では,光コヒーレンストモグラフィー(OCT)画像を用いた網膜疾患分類のための深層学習手法を提案する。 画像は224x224pxにリサイズされ、XceptionとInceptionV3という畳み込みニューラルネットワーク(CNN)アーキテクチャでテストされた。 データ拡張技術(CutMix, MixUp)をモデル一般化の強化に利用した。 また,GradCAMとLIMEを解釈可能性評価に適用した。 私たちは、RetinaVisionというWebアプリケーションを通じて、現実のシナリオでこれを実装しました。 この研究により、Xceptionは最も正確なネットワーク(95.25%)であり、その後InceptionV3(94.82%)が続いた。 以上の結果から, 深層学習法は, OCT網膜疾患の効果的な分類を可能にし, 臨床応用における精度と解釈可能性の重要性を強調した。

関連論文リスト

• A Machine Vision Approach to Preliminary Skin Lesion Assessments [0.0]
  本研究は,皮膚内視鏡のABCD規則と機械学習の分類を併用した皮膚病変予備評価システムについて検討した。 ストクラッチからトレーニングされたカスタム3層畳み込みニューラルネットワーク(CNN)は78.5%の精度と86.5%のリコールを達成した。
  論文  参考訳（メタデータ） (2026-01-21T23:48:59Z)
• Chest Disease Detection In X-Ray Images Using Deep Learning Classification Method [0.0]
  胸部X線画像の分類のために,複数の分類モデルにまたがる性能について検討した。 ラベル付き医療用X線画像に基づいて,これらの事前学習アーキテクチャを微調整した。 最初の結果は、重要な分類基準で高い精度と高いパフォーマンスを約束する。
  論文  参考訳（メタデータ） (2025-05-28T17:24:33Z)
• Ocular Disease Classification Using CNN with Deep Convolutional Generative Adversarial Network [0.0]
  我々は,CNNに基づく分類モデルの訓練のためのデータセットを合成するために,GANに基づくデータ生成手法を提案する。 モデル分類の精度を元の眼画像と比較すると、近視の精度は78.6%、緑内障の88.6%、白内障の84.6%、全体分類の精度は84.6%である。
  論文  参考訳（メタデータ） (2025-02-14T17:47:18Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Towards the Localisation of Lesions in Diabetic Retinopathy [2.3204178451683264]
  本研究は,4つの最先端ディープラーニングモデルの事前学習重量を用いて,糖尿病網膜症(DR)基底画像の局所化マップを作成し,比較する。 inceptionv3は、テスト分類精度96.07%で最高の性能を達成し、病変を他のモデルよりも良く高速にローカライズする。
  論文  参考訳（メタデータ） (2020-12-21T15:39:17Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New Model [41.444917622855606]
  OCT-Aセグメンテーションデータセット(ROSE)は229枚のOCT-A画像からなり、中心線レベルまたは画素レベルで血管アノテーションを付加する。 次に,スプリットをベースとしたSCF-Net(Coarse-to-Fine vessel segmentation Network)を提案する。 SCF-Netでは、スプリットベース粗いセグメンテーション(SCS)モジュールを最初に導入し、スプリットベースリファインメント(SRN)モジュールを使用して形状・形状を最適化する。
  論文  参考訳（メタデータ） (2020-07-10T06:54:19Z)
• Residual Attention U-Net for Automated Multi-Class Segmentation of COVID-19 Chest CT Images [46.844349956057776]
  新型コロナウイルス感染症(COVID-19)は世界中で急速に広がり、公衆衛生や経済に大きな影響を及ぼしている。 新型コロナウイルスによる肺感染症を効果的に定量化する研究はいまだにない。 複数の新型コロナウイルス感染症領域の自動セグメンテーションのための新しいディープラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-12T16:24:59Z)
• 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)
• Optimal Transfer Learning Model for Binary Classification of Funduscopic Images through Simple Heuristics [0.8370915747360484]
  深層学習ニューラルネットワークを用いて、眼内画像の視覚的表現を診断する。 本稿では, 病原体が健康であるか, 病原体なのかを, 低コストで推定する, 病原体分類の統一モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-11T03:49:14Z)

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。