論文の概要: Robust Diabetic Retinopathy Grading Using Dual-Resolution Attention-Based Deep Learning with Ordinal Regression

• arxiv url: http://arxiv.org/abs/2604.17341v1
• Date: Sun, 19 Apr 2026 09:27:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.475532
• Title: Robust Diabetic Retinopathy Grading Using Dual-Resolution Attention-Based Deep Learning with Ordinal Regression
• Title（参考訳）: Dual-Resolution Attention-based Deep Learning with Ordinal Regression を用いたロバスト糖尿病網膜症の1例
• Authors: Afshan Hashmi,
• Abstract要約: 本研究は糖尿病網膜症診断のための頑健なデュアルレゾリューション深層学習フレームワークを提案する。 注意に基づく特徴融合と順序回帰を統合し、データセット間の一般化を改善する。 実験の結果, APTOS検証セットでは0.88の2次重み付きカッパ(QWK), 見えないMessidor-2データセットでは0.68の2次重み付きカッパ(QWK)が達成された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Diabetic retinopathy (DR) is a leading cause of vision impairment worldwide, and automated grading systems play a crucial role in large-scale screening programs. However, deep learning models often exhibit degraded performance when deployed across datasets acquired under different imaging conditions. This study presents a robust dual-resolution deep learning framework for DR grading that integrates attention-based feature fusion with ordinal regression to improve cross-dataset generalization. The proposed method employs two parallel EfficientNet backbones operating at different spatial resolutions to capture complementary retinal features. A learnable attention mechanism adaptively fuses multi-resolution representations, while an ordinal regression formulation based on the cumulative link model (CORAL) explicitly accounts for the ordered nature of DR severity levels. To mitigate domain discrepancies between datasets, a preprocessing strategy combining circular cropping, contrast enhancement, and histogram matching is applied. The model was trained on the APTOS 2019 dataset and evaluated on both an internal validation split and an external Messidor-2 test set. Experimental results demonstrate strong grading performance, achieving a quadratic weighted kappa (QWK) of 0.88 on the APTOS validation set and 0.68 on the unseen Messidor-2 dataset, indicating improved robustness for cross-dataset DR grading applications.
• Abstract（参考訳）: 糖尿病網膜症(DR)は、世界中の視覚障害の主要な原因であり、大規模スクリーニングプログラムにおいて、自動グレーティングシステムが重要な役割を果たす。 しかし、ディープラーニングモデルは、異なる撮像条件下で取得されたデータセットにデプロイすると、しばしば劣化したパフォーマンスを示す。 本研究では、注意に基づく特徴融合と順序回帰を統合し、データセット間の一般化を改善する、DRグレーディングのための頑健な二重解像度ディープラーニングフレームワークを提案する。 提案手法では,異なる空間分解能で動作する2つの並列EfficientNetバックボーンを用いて相補的な網膜の特徴を捉える。 学習可能な注意機構は多分解能表現を適応的に融合させ、累積リンクモデル(CORAL)に基づく順序回帰定式化はDR重大度の順序性について明示的に説明する。 データセット間のドメインの差異を軽減するために、円形の収穫、コントラスト強調、ヒストグラムマッチングを組み合わせた前処理戦略を適用する。 このモデルはAPTOS 2019データセットでトレーニングされ、内部のバリデーション分割と外部のMessidor-2テストセットの両方で評価された。 APTOS検証セットで0.88の2次重み付きカッパ(QWK)を、未確認のMessidor-2データセットで0.68の2次重み付きカッパ(QWK)を達成し、クロスデータセットDRグレーティングアプリケーションの堅牢性を向上したことを示す。

関連論文リスト

• AdvBlur: Adversarial Blur for Robust Diabetic Retinopathy Classification and Cross-Domain Generalization [0.0]
  糖尿病網膜症(DR)は、世界中の視覚障害の主要な原因である。 基礎画像からDRを予測するためのディープラーニング(DL)モデルが開発されている。 取得装置の違い、人口格差、画像条件の違いによる分布変動によるロバスト性維持における多くの課題に直面している。 本稿では,AdvBlurと呼ばれる新しいDR分類手法を提案する。
  論文  参考訳（メタデータ） (2025-10-28T02:10:54Z)
• Adapting Foundation Model for Dental Caries Detection with Dual-View Co-Training [53.77904429789069]
  本稿では, 歯列検出のための新しいDual-View Co-TrainingネットワークであるAttention-TNetについて紹介する。 OurTNetは、自動歯肉検出を用いて、パノラマX線画像からのグローバルビューと、収穫した歯肉画像からのローカルビューの2つの補完的なビューを確立する。 両ビューからの情報を効果的に統合するために,Gated Cross-Viewモジュールを導入する。
  論文  参考訳（メタデータ） (2025-08-28T14:13:26Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
  本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。 我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。 拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
  論文  参考訳（メタデータ） (2025-07-07T13:22:35Z)
• RURANET++: An Unsupervised Learning Method for Diabetic Macular Edema Based on SCSE Attention Mechanisms and Dynamic Multi-Projection Head Clustering [13.423253964156117]
  RURANET++は、糖尿病黄斑浮腫(DME)の教師なし学習に基づく自動診断システムである 特徴処理中、トレーニング済みのGoogLeNetモデルは網膜画像から深い特徴を抽出し、PCAベースの次元を50次元に減らして計算効率を向上する。 実験の結果,複数の測定値に対して優れた性能を示し,最大精度(0.8411),精度(0.8593),リコール(0.8411),F1スコアを異常なクラスタリング品質で達成した。
  論文  参考訳（メタデータ） (2025-02-27T16:06:57Z)
• Multi-Dataset Multi-Task Learning for COVID-19 Prognosis [25.371798627482065]
  胸部X線による新型コロナウイルスの予後を予測できる新しいマルチデータセット・マルチタスク・トレーニング・フレームワークを提案する。 本フレームワークは,重大度スコアを評価することによって,重大度グループを分類するモデルの能力を高めることを仮定する。
  論文  参考訳（メタデータ） (2024-05-22T15:57:44Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Learning Robust Representation for Joint Grading of Ophthalmic Diseases via Adaptive Curriculum and Feature Disentanglement [6.909256454481273]
  糖尿病性網膜症(DR)と糖尿病性黄斑浮腫(DME)は、世界中で永久盲症の原因となっている。 動的難易度重み付き損失(DAW)と二重ストリーム非絡み合い学習アーキテクチャ(DETACH)を併用した共同学習フレームワークを提案する。 3つのベンチマークの実験は、データセット内テストとデータセット間テストの両方において、我々のフレームワークの有効性とロバスト性を示している。
  論文  参考訳（メタデータ） (2022-07-09T03:02:36Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• 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。