論文の概要: Training-inference input alignment outweighs framework choice in longitudinal retinal image prediction
- arxiv url: http://arxiv.org/abs/2604.16955v1
- Date: Sat, 18 Apr 2026 10:28:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.259202
- Title: Training-inference input alignment outweighs framework choice in longitudinal retinal image prediction
- Title（参考訳）: 縦型網膜画像予測におけるトレーニング推論入力アライメントの枠組み選択
- Authors: Liyin Chen, Nazlee Zebardast, Mengyu Wang, Tobias Elze, Jason I. Comander,
- Abstract要約: 進行性黄斑疾患における経時的画像像による将来の網膜の出現の定量的予測は臨床的決定を裏付ける。
近年, 進行期網膜疾患の進行にこの複雑さが必要であるかは不明な点が指摘されている。
私たちはこれを、ひとつのアーキテクチャとトレーニングデータセットを共有する5つの構成のコントロールされた比較を通じてテストしました。
- 参考スコア（独自算出の注目度）: 3.0602131532925436
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantitative prediction of future retinal appearance from longitudinal imaging would support clinical decisions in progressive macular disease that currently rely on qualitative comparison or scalar progression scores. Recent methods have moved toward increasing generative complexity, but whether this complexity is necessary for slowly progressing retinal disease is unclear. We tested this through a controlled comparison of five conditioning configurations sharing one architecture and training dataset, spanning standard conditional diffusion, inference-aligned stochastic training, and deterministic regression. In our evaluation, aligning the training and inference input distributions produced large gains (delta-SSIM +0.082, SSIM +0.086, both p < 0.001), while the choice among aligned frameworks did not significantly affect any primary metric. Task-entropy and posterior-concentration analyses, replicated on two fundus autofluorescence (FAF) platforms, provided a mechanistic account: the predictable component of inter-visit change is small relative to time-invariant acquisition variability, leaving stochastic sampling with little width to exploit. Guided by these findings, we developed TRU (Temporal Retinal U-Net), a deterministic direct-regression model with continuous time-delta conditioning and multi-scale history aggregation. We evaluated TRU on 28,902 eyes across three imaging platforms: a mixed-disease Optos FAF cohort (9,942 eyes), zero-shot transfer to Stargardt macular dystrophy on Optos (288 eyes) and Heidelberg Spectralis (125 eyes), and a boundary evaluation on Cirrus en-face fundus images from a glaucoma cohort (18,547 eyes). TRU matched or exceeded delta-SSIM, SSIM, and PSNR in every FAF cohort against three state-of-the-art benchmarks, and its advantage grew monotonically with available history length.
- Abstract（参考訳）: 縦断的画像からの将来の網膜の出現の定量的予測は、現在質的比較やスカラー進行スコアに依存している進行性黄斑疾患の臨床的決定を裏付ける。
近年, 進行期網膜疾患の進行にこの複雑さが必要であるかは不明な点が指摘されている。
我々は,1つのアーキテクチャとトレーニングデータセットを共有する条件設定と,標準条件拡散,推論整合確率学習,決定論的回帰の5つの条件設定の比較によってこれを検証した。
評価では,トレーニングと推論の入力分布の整合は大きな利得(デルタ-SSIM +0.082, SSIM +0.086, どちらもp < 0.001)を得た。
タスクエントロピーと後部濃縮分析は, 2つの自家蛍光 (FAF) プラットフォームで再現され, 時間不変の取得変動に対して視線間変化の予測可能な成分は小さく, 確率的サンプリングの幅がほとんどない。
これらの結果からTRU(Temporal Retinal U-Net)を開発した。
28,902眼でTRUを3つの画像プラットフォームで評価した:混視オプトスFAFコホート(9,942眼)、オプトス288眼)とハイデルベルクスペクトル(125眼)のスターガルト黄斑ジストロフィーへのゼロショット転送、緑内障コホート(18,547眼)の眼底画像の境界評価。
TRUは、すべてのAFFコホートにおいて3つの最先端ベンチマークとデルタSSIM、SSIM、PSNRを一致または超えた。
関連論文リスト
- Particle Diffusion Matching: Random Walk Correspondence Search for the Alignment of Standard and Ultra-Widefield Fundus Images [47.944896477309555]
標準ファンドス画像(SFI)とウルトラウェードフィールドファンドス画像(UWFI)のためのロバストアライメント手法を提案する。
本手法は粒子拡散マッチング (Particle Diffusion Matching, PDM) と呼ばれ, 拡散モデルにより誘導される反復ランダムウォーク対応探索 (RWCS) を通してアライメントを行う。
PDMは複数の網膜画像アライメントベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-04-11T08:09:53Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - HypCBC: Domain-Invariant Hyperbolic Cross-Branch Consistency for Generalizable Medical Image Analysis [1.8747639074211104]
医用画像解析における双曲表現学習の総合的検証について述べる。
我々は11の分布内データセットと3つのViTモデルに対して統計的に有意な利得を示した。
提案手法は,ドメイン不変性を促進し,平均2.1%のAUCで最先端のユークリッド法より優れる。
論文 参考訳（メタデータ） (2026-02-03T08:50:24Z) - POWDR: Pathology-preserving Outpainting with Wavelet Diffusion for 3D MRI [7.901173149711112]
POWDRは、条件付きウェーブレット拡散モデルに基づく3次元MRIのための病理保存アウトペイントフレームワークである。
提案手法はウェーブレット領域の条件付けを利用して,遅延拡散モデルでよく見られる高周波ディテールとぼやけを増大させる。
論文 参考訳（メタデータ） (2026-01-14T00:20:13Z) - Functional Localization Enforced Deep Anomaly Detection Using Fundus Images [3.0606378255830253]
糖尿病網膜症と加齢黄斑変性は確実に検出されたが,緑内障は最も頻度の低い疾患であった。
GANomaly-based anomaly detector を開発し,AUC0.76を達成し,本質的な再構成に基づく説明可能性と無意味なデータへの堅牢な一般化を実現した。
論文 参考訳（メタデータ） (2025-11-23T21:56:40Z) - Stage-Specific Benchmarking of Deep Learning Models for Glioblastoma Follow-Up MRI [1.1458853556386799]
追従型MRIのための深層学習モデルの第1段階別横断的ベンチマークを行う。
アーキテクチャ性能がタイムポイントに依存するかどうかをテストするために,異なるポストRTスキャンを独立に解析する。
これらの結果は、時系列モデリング、マルチシーケンスMRI、より大規模なマルチセンターコホートを組み込んだステージアウェア・ベンチマークを確立し、今後の研究を動機付けている。
論文 参考訳（メタデータ） (2025-11-23T19:38:03Z) - AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。
372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。
これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-10-02T20:52:16Z) - Multi-scale Spatio-temporal Transformer-based Imbalanced Longitudinal
Learning for Glaucoma Forecasting from Irregular Time Series Images [45.894671834869975]
緑内障は、進行性視神経線維損傷と不可逆性失明を引き起こす主要な眼疾患の1つである。
逐次画像入力に適した変換器アーキテクチャに基づくマルチスケール時空間変換器ネットワーク(MST-former)を提案する。
本手法は, 軽度認知障害とアルツハイマー病の予測に90.3%の精度で, アルツハイマー病神経画像イニシアチブ(ADNI)MRIデータセットに優れた一般化能力を示す。
論文 参考訳（メタデータ） (2024-02-21T02:16:59Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳（メタデータ） (2021-10-12T23:25:03Z) - 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)
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。