論文の概要: Weakly Supervised Patch Annotation for Improved Screening of Diabetic Retinopathy

• arxiv url: http://arxiv.org/abs/2603.03991v1
• Date: Wed, 04 Mar 2026 12:35:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.299378
• Title: Weakly Supervised Patch Annotation for Improved Screening of Diabetic Retinopathy
• Title（参考訳）: 糖尿病網膜症のスクリーニングにおけるパッチアノテーションの有用性
• Authors: Shramana Dey, Abhirup Banerjee, B. Uma Shankar, Ramachandran Rajalakshmi, Sushmita Mitra,
• Abstract要約: 糖尿病網膜症(DR: Diabetic Retinopathy)は、視力喪失を防ぐための時間的スクリーニングを必要とする。 既存の文献は主に画像レベルの監督、弱教師付きローカライゼーション、クラスタリングに基づく表現学習に焦点を当てている。 類似性に基づく。 Feature-space Ensemble (SAFE)は、弱い監視を統一する2段階のフレームワークである。 対照的な学習、パッチワイドな埋め込み推論。
• 参考スコア（独自算出の注目度）: 9.215451885169538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diabetic Retinopathy (DR) requires timely screening to prevent irreversible vision loss. However, its early detection remains a significant challenge since often the subtle pathological manifestations (lesions) get overlooked due to insufficient annotation. Existing literature primarily focuses on image-level supervision, weakly-supervised localization, and clustering-based representation learning, which fail to systematically annotate unlabeled lesion region(s) for refining the dataset. Expert-driven lesion annotation is labor-intensive and often incomplete, limiting the performance of deep learning models. We introduce Similarity-based Annotation via Feature-space Ensemble (SAFE), a two-stage framework that unifies weak supervision, contrastive learning, and patch-wise embedding inference, to systematically expand sparse annotations in the pathology. SAFE preserves fine-grained details of the lesion(s) under partial clinical supervision. In the first stage, a dual-arm Patch Embedding Network learns semantically structured, class-discriminative embeddings from expert annotated patches. Next, an ensemble of independent embedding spaces extrapolates labels to the unannotated regions based on spatial and semantic proximity. An abstention mechanism ensures trade-off between highly reliable annotation and noisy coverage. Experimental results demonstrate reliable separation of healthy and diseased patches, achieving upto 0.9886 accuracy. The annotation generated from SAFE substantially improves downstream tasks such as DR classification, demonstrating a substantial increase in F1-score of the diseased class and a performance gain as high as 0.545 in Area Under the Precision-Recall Curve (AUPRC). Qualitative analysis, with explainability, confirms that SAFE focuses on clinically relevant lesion patterns; and is further validated by ophthalmologists.
• Abstract（参考訳）: 糖尿病網膜症(DR: Diabetic Retinopathy)は、視力喪失を防ぐための時間的スクリーニングを必要とする。 しかし、その早期発見は、アノテーション不足により微妙な病理症状(症状)が軽視されることがしばしばあるため、重要な課題である。 既存の文献は、主に画像レベルの監督、弱教師付きローカライゼーション、クラスタリングに基づく表現学習に焦点を当てており、データセットを書き換えるために、体系的にラベルなしの病変領域を注釈付けすることができない。 専門家主導の病変アノテーションは、労働集約的で、しばしば不完全であり、ディープラーニングモデルの性能を制限している。 本稿では,弱監督,コントラスト学習,パッチワイド埋め込み推論を統一する2段階フレームワークであるFeature-space Ensemble (SAFE) による類似アノテーションを導入し,病理学におけるスパースアノテーションを体系的に拡張する。 SAFEは部分的臨床監督下で病変の微細な詳細を保存する。 最初の段階では、デュアルアームのPatch Embedding Networkが専門家の注釈付きパッチから意味的に構造化されたクラス識別型埋め込みを学習する。 次に、独立した埋め込み空間のアンサンブルは、空間的および意味的近接性に基づいてラベルを無注釈領域に外挿する。 控えめなメカニズムは、信頼性の高いアノテーションとノイズの多いカバレッジの間のトレードオフを保証する。 実験の結果、健康パッチと病気パッチを確実に分離し、0.9886の精度を達成できた。 SAFEから生成されたアノテーションは、DR分類などの下流タスクを大幅に改善し、疾患クラスのF1スコアが大幅に増加し、AUPRC(Area Under the Precision-Recall Curve)では0.545まで性能が向上した。 質的分析は、SAFEが臨床的に関連のある病変パターンに焦点を当てていることを確認し、眼科医によってさらに検証されている。

関連論文リスト

• Uncertainty-Aware Ordinal Deep Learning for cross-Dataset Diabetic Retinopathy Grading [0.0]
  糖尿病網膜症の早期かつ確実な検出は、失明の予防に重要である。 本稿では,DR重度自動評価のための不確実性を考慮したディープラーニングフレームワークを提案する。 提案手法は, 畳み込み後骨に病変性アテンションプールと明らかなディリクレに基づく順序回帰ヘッドを併用する。
  論文  参考訳（メタデータ） (2026-02-10T21:44:04Z)
• TWLR: Text-Guided Weakly-Supervised Lesion Localization and Severity Regression for Explainable Diabetic Retinopathy Grading [9.839282449612513]
  糖尿病網膜症(DR)を診断するための2段階の枠組みであるTWLRを提案する。 第1段階では、視覚監督モデルがドメイン固有の眼科知識をテキスト埋め込みに統合し、DRグレーディングと病変分類を共同で行う。 第2段階では、弱言語セマンティックセグメンテーションに基づく反復重大度回帰フレームワークが導入されている。
  論文  参考訳（メタデータ） (2025-12-15T06:08:16Z)
• SP-Det: Self-Prompted Dual-Text Fusion for Generalized Multi-Label Lesion Detection [14.796915375957402]
  SP-Detは、リッチテキストコンテキストを自動的に生成し、マルチラベル病変検出をガイドする、新しい自己プロンプト検出フレームワークである。 本稿では,2つの相補的なテキストモダリティを利用するDTPG(Expert-free dual-text prompt generator)を提案する。 胸部X線データを多種多様な胸部疾患分類を用いて実験した結果,SP-Detフレームワークは最先端検出法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-12-04T15:05:04Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• A Global and Patch-wise Contrastive Loss for Accurate Automated Exudate Detection [12.669734891001667]
  糖尿病網膜症(DR:diabetic retinopathy)は、視覚障害の主要な原因である。 硬口蓋の早期発見は、糖尿病の治療と視力喪失の予防に役立つDRの同定において重要な役割を担っている。 ハード・エクスデュート・セグメンテーションを最適化する新しい教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-22T17:39:00Z)
• Boundary Guided Semantic Learning for Real-time COVID-19 Lung Infection Segmentation System [69.40329819373954]
  新型コロナウイルス(COVID-19)は、世界中の医療システムに悪影響を及ぼし続けている。 現段階では、新型コロナウイルスの診断と治療には、CT画像から肺感染症領域を自動的に分離することが不可欠である。 本稿では,境界案内型セマンティックラーニングネットワーク(BSNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-07T05:01:38Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Self-Guided Multiple Instance Learning for Weakly Supervised Disease Classification and Localization in Chest Radiographs [22.473965401043717]
  局所化信頼度を高める畳み込みニューラルネットワークのトレーニングのための新しい損失関数を導入する 提案手法で提案する教師は,複数インスタンス学習用データセットの性能向上と,より正確な予測を行う。
  論文  参考訳（メタデータ） (2020-09-30T22:19:40Z)

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。