Fugu-MT 論文翻訳(概要): Retinal Disease Classification from Fundus Images using CNN Transfer Learning

論文の概要: Retinal Disease Classification from Fundus Images using CNN Transfer Learning

arxiv url: http://arxiv.org/abs/2603.23785v1
Date: Tue, 24 Mar 2026 23:40:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-26 21:06:11.056887
Title: Retinal Disease Classification from Fundus Images using CNN Transfer Learning
Title（参考訳）: CNN転送学習を用いた眼底画像からの網膜疾患の分類
Authors: Ali Akram,
Abstract要約: 我々は、ベースライン畳み込みニューラルネットワークと、事前訓練されたVGG16バックボーンを用いたトランスファーラーニングアプローチを実装し、比較する。 VGG16転送学習モデルは、重み付きF1スコアの0.90で90.8%のテスト精度を達成し、ベースラインCNNを大幅に上回っている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Retinal diseases remain among the leading preventable causes of visual impairment worldwide. Automated screening based on fundus image analysis has the potential to expand access to early detection, particularly in underserved populations. This paper presents a reproducible deep learning pipeline for binary retinal disease risk classification from publicly available fundus photographs. We implement and compare a baseline convolutional neural network with a transfer learning approach using a pretrained VGG16 backbone and evaluate generalization on held-out data. To address class imbalance, we apply class weighting and report standard classification metrics including accuracy, precision, recall, F1-score, confusion matrices, and ROC-AUC. The VGG16 transfer learning model achieves 90.8% test accuracy with a weighted F1-score of 0.90, substantially outperforming the baseline CNN (83.1% accuracy). Results indicate that transfer learning improves discrimination compared to a baseline CNN, while also revealing remaining challenges in sensitivity to minority disease cases. We discuss practical limitations related to dataset characteristics, class imbalance, and threshold selection, and provide guidance for reproducibility and future improvements for clinically reliable screening
Abstract（参考訳）: 網膜疾患は、世界中の視覚障害の主要な予防可能な原因の1つである。底面画像解析に基づく自動スクリーニングは早期発見へのアクセスを拡大する可能性を秘めている。本稿では,2次網膜疾患リスク分類のための再現可能な深層学習パイプラインを提案する。我々は、ベースライン畳み込みニューラルネットワークと、事前訓練されたVGG16バックボーンを用いた転送学習アプローチの実装と比較を行い、ホールドアウトデータに対する一般化を評価する。クラス不均衡に対処するために、クラス重み付けと、精度、精度、リコール、F1スコア、混乱行列、ROC-AUCなどの標準分類基準を適用した。 VGG16転送学習モデルは、重み付きF1スコアの0.90で90.8%のテスト精度を達成し、ベースラインCNN(83.1%の精度)を大幅に上回っている。その結果,トランスファーラーニングはCNNに比べて差別性を向上する一方で,少数症例に対する感受性の維持にも課題が残ることが明らかとなった。我々は,データセットの特徴,クラス不均衡,しきい値選択に関する実用的限界について議論し,再現性に関するガイダンスと臨床信頼性検査の今後の改善について検討する。

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)
Handling imbalance and few-sample size in ML based Onion disease classification [1.3177681589844814]
タマネギの作物病および害虫の多種分類のための頑健な深層学習モデルを提案する。実世界のフィールド画像データセットに96.90%の精度と0.96のF1スコアを与えるモデルを与える。
論文参考訳（メタデータ） (2025-09-01T19:05:39Z)
Refining Tuberculosis Detection in CXR Imaging: Addressing Bias in Deep Neural Networks via Interpretability [1.9936075659851882]
実験データから完全な分類精度を得ることができたとしても,深層学習モデルの信頼性は限られていると論じる。大規模プロキシタスクでディープニューラルネットワークを事前トレーニングし、MOON(Mixed objective Optimization Network)を使用することで、モデルとエキスパート間の決定基盤の整合性を改善することができることを示す。
論文参考訳（メタデータ） (2024-07-19T06:41:31Z)
Uncertainty-inspired Open Set Learning for Retinal Anomaly Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。 UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文参考訳（メタデータ） (2023-04-08T10:47:41Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文参考訳（メタデータ） (2022-12-14T06:04:18Z)
Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文参考訳（メタデータ） (2022-07-23T19:17:26Z)
Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文参考訳（メタデータ） (2022-04-18T13:31:53Z)
Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文参考訳（メタデータ） (2021-09-08T07:56:51Z)
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)

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。