論文の概要: Exploring Deep Learning and Ultra-Widefield Imaging for Diabetic Retinopathy and Macular Edema

• arxiv url: http://arxiv.org/abs/2603.08235v1
• Date: Mon, 09 Mar 2026 11:04:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.822417
• Title: Exploring Deep Learning and Ultra-Widefield Imaging for Diabetic Retinopathy and Macular Edema
• Title（参考訳）: 糖尿病網膜症と黄斑浮腫に対するDeep LearningとUltra-Widefield Imagingの探索
• Authors: Pablo Jimenez-Lizcano, Sergio Romero-Tapiador, Ruben Tolosana, Aythami Morales, Guillermo González de Rivera, Ruben Vera-Rodriguez, Julian Fierrez,
• Abstract要約: 糖尿病性網膜症と糖尿病性黄斑浮腫は、高齢者における予防的失明の原因となっている。 近年のウルトラワイドフィールド・イメージング(UWF)は、標準カラー・ファンドス・フォトグラフィーに比べてはるかに広い視野を提供する。 本研究は,3つの臨床的課題における最先端のディープラーニング(DL)手法とUWFイメージングについて検討する。
• 参考スコア（独自算出の注目度）: 12.955285358713182
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diabetic retinopathy (DR) and diabetic macular edema (DME) are leading causes of preventable blindness among working-age adults. Traditional approaches in the literature focus on standard color fundus photography (CFP) for the detection of these conditions. Nevertheless, recent ultra-widefield imaging (UWF) offers a significantly wider field of view in comparison to CFP. Motivated by this, the present study explores state-of-the-art deep learning (DL) methods and UWF imaging on three clinically relevant tasks: i) image quality assessment for UWF, ii) identification of referable diabetic retinopathy (RDR), and iii) identification of DME. Using the publicly available UWF4DR Challenge dataset, released as part of the MICCAI 2024 conference, we benchmark DL models in the spatial (RGB) and frequency domains, including popular convolutional neural networks (CNNs) as well as recent vision transformers (ViTs) and foundation models. In addition, we explore a final feature-level fusion to increase robustness. Finally, we also analyze the decisions of the DL models using Grad-CAM, increasing the explainability. Our proposal achieves consistently strong performance across all architectures, underscoring the competitiveness of emerging ViTs and foundation models and the promise of feature-level fusion and frequency-domain representations for UWF analysis.
• Abstract（参考訳）: 糖尿病性網膜症 (DR) と糖尿病性黄斑浮腫 (DME) は、高齢者の視力障害の原因となっている。 文献における従来のアプローチは、これらの条件を検出するための標準カラー・ファンドス・フォトグラファー(CFP)に焦点を当てていた。 しかし、最近の超広視野イメージング(UWF)はCFPと比較してはるかに広い視野を提供している。 そこで本研究では,3つの臨床的課題について,最先端のディープラーニング(DL)手法とUWFイメージングについて検討した。 一 UWFの画質評価 二 糖尿病網膜症(RDR)の診断及び診断 三 DMEの特定 MICCAI 2024カンファレンスで公開されたUWF4DR Challengeデータセットを使用して、一般的な畳み込みニューラルネットワーク(CNN)や最近のビジョントランスフォーマー(ViT)、基礎モデルを含む、空間(RGB)および周波数領域のDLモデルをベンチマークする。 さらに、ロバスト性を高めるための最終機能レベルの融合についても検討する。 また,Grad-CAMを用いてDLモデルの決定を解析し,説明可能性を高める。 提案手法は,新しいViTと基盤モデルの競争力と,UWF解析のための機能レベル融合と周波数領域表現の約束を基礎として,全てのアーキテクチャにおいて一貫して強靭な性能を実現する。

関連論文リスト

• Learning to Fuse and Reconstruct Multi-View Graphs for Diabetic Retinopathy Grading [45.02913606252357]
  糖尿病網膜症(DR:diabetic retinopathy)は、視覚障害の主要な原因の一つである。 最近の臨床実践では、多視点眼底画像を用いたDR検出が視野の広い範囲で行われている。 本稿では、DRグレーディングのためのエンドツーエンドのMulti-View Graph FusionフレームワークMVGFDRを提案する。
  論文  参考訳（メタデータ） (2026-02-25T14:28:57Z)
• UOPSL: Unpaired OCT Predilection Sites Learning for Fundus Image Diagnosis Augmentation [47.08936359575974]
  我々は,OCTから派生した空間的先行情報を用いて,捕食部位を動的に識別する新しい無ペアマルチモーダルフレームワーク UOPSL を提案する。 我々のアプローチは、拡張された病気のテキスト記述を通して、未治療の根本とOCTを橋渡しする。 28の重要カテゴリにわたる9つの多様なデータセットで実施された実験は、我々のフレームワークが既存のベンチマークを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-09-10T14:19:59Z)
• Deep Learning-Based Detection of Referable Diabetic Retinopathy and Macular Edema Using Ultra-Widefield Fundus Imaging [0.6727410055112188]
  糖尿病網膜症や糖尿病黄斑浮腫は、視力喪失につながる糖尿病の重大な合併症である。 超広視野眼底画像による早期発見は、患者の成果を高めるが、画質と分析スケールの課題を提示する。 本稿では,MICCAI 2024 UWF4DRチャレンジの枠組みの中で,自動UWF画像解析のためのディープラーニングソリューションを提案する。
  論文  参考訳（メタデータ） (2024-09-19T15:51:48Z)
• Improved Automatic Diabetic Retinopathy Severity Classification Using Deep Multimodal Fusion of UWF-CFP and OCTA Images [1.6449510885987357]
  糖尿病網膜症(英: Diabetic Retinopathy、DR)は、世界中の何百万人もの患者に影響を及ぼす糖尿病の合併症である。 近年のイメージング技術の進歩は、DRを早期に検出する機会を提供するが、同時に大きな課題も生んでいる。 本研究は,これらの画像モダリティを利用してDR分類を顕著に向上する,新しいマルチモーダル手法を提案する。
  論文  参考訳（メタデータ） (2023-10-03T09:35:38Z)
• Source-free Active Domain Adaptation for Diabetic Retinopathy Grading Based on Ultra-wide-field Fundus Image [4.679304803181914]
  領域適応 (DA) は糖尿病性網膜症 (DR) に広く応用されている。 本稿では、DRグレーディング問題自体に取り組むために、新しいソースフリーアクティブドメイン適応(SFADA)を提案する。 提案したSFADAは最先端のDRグレーディング性能を実現し,精度を20.9%向上し,2次加重カッパを18.63%向上させた。
  論文  参考訳（メタデータ） (2023-09-19T13:52:06Z)
• 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)
• 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)
• Deep-OCTA: Ensemble Deep Learning Approaches for Diabetic Retinopathy Analysis on OCTA Images [10.16138081361263]
  糖尿病網膜症解析チャレンジ(DRAC)のための超広範OCTAに基づく新規かつ実用的な深層学習ソリューションを提案する。 DR損傷タスクのセグメンテーションでは、UNetとUNet++を使用して、3つの病変を強力なデータ拡張とモデルアンサンブルで分割する。 画像品質評価タスクでは、インセプションV3、SE-ResNeXt、Vision Transformerモデルのアンサンブルを作成する。
  論文  参考訳（メタデータ） (2022-10-02T13:23:56Z)
• REFUGE2 Challenge: Treasure for Multi-Domain Learning in Glaucoma Assessment [45.41988445653055]
  REFUGE2チャレンジでは、Zeiss、Canon、Kowa、Topconを含む4つのモデルの2000枚のカラー・ファンドイメージがリリースされた。 3つのサブタスクは緑内障分類、カップ/光ディスクセグメンテーション、黄斑葉の局在などの課題のために設計された。 この記事では、ファイナリストのメソッドを要約し、その結果を分析します。
  論文  参考訳（メタデータ） (2022-02-18T02:56:21Z)
• DRDrV3: Complete Lesion Detection in Fundus Images Using Mask R-CNN, Transfer Learning, and LSTM [2.9360071145551068]
  糖尿病網膜症(DR)による病変の検出・発見に最適な2つのサブモジュールからなる新しい病変検出アーキテクチャを提案する。 また、2つの一般的な評価基準を用いて、平均平均精度(mAP)とIOU(IOU)の交点であるモデルの出力を評価する。 この新たなソリューションにより、専門家は高い信頼性で病変を検出し、高い精度で損傷の重症度を推定できるという仮説を立てる。
  論文  参考訳（メタデータ） (2021-08-18T11:36:37Z)

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。