論文の概要: DiffSight-Former: Modeling Structural Differences and Temporal Dynamics for Glaucoma Progression Prediction

• arxiv url: http://arxiv.org/abs/2606.09140v1
• Date: Mon, 08 Jun 2026 07:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.805421
• Title: DiffSight-Former: Modeling Structural Differences and Temporal Dynamics for Glaucoma Progression Prediction
• Title（参考訳）: DiffSight-Former:緑内障進展予測のための構造差と時間ダイナミクスのモデル化
• Authors: Yi Huang, Lei Bi, Jinman Kim,
• Abstract要約: 緑内障は世界中で不可逆的な盲目の原因となっている。 深層学習は、基礎画像解析において有望なパフォーマンスを達成した。 眼底画像からの緑内障進展予測のためのフレームワークであるDiffSight-Formerを提案する。
• 参考スコア（独自算出の注目度）: 15.917908024992805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Glaucoma is a leading cause of irreversible blindness worldwide, and early detection from fundus images is critical for effective disease management. While deep learning has achieved promising performance in fundus image analysis, most existing methods rely on single time-point images and fail to capture longitudinal structural and vascular changes associated with disease progression. Sequential fundus images acquired during clinical follow-up provide valuable temporal information; however, current sequential models often struggle to detect subtle early progression signals and commonly depend on fixed-length inputs or diagnostic cues from already glaucomatous images, limiting their clinical utility for early prediction. To address these limitations, we propose DiffSight-Former, a framework for glaucoma progression prediction from sequential fundus images. It incorporates a time-variant feature extraction module based on a fundus-specific foundation model to obtain robust anatomical representations. A multi-structure difference modeling module is introduced to quantify progression-related changes in the optic disc/cup region and retinal vasculature. These representations are integrated with temporal interval embeddings and processed by a time-aware Transformer to model disease progression and estimate the probability of future glaucoma onset. Experiments were conducted on two longitudinal datasets, SIGF (405 sequences) and GRAPE (263 sequences). On SIGF, DiffSight-Former achieved an AUC of 91.54% and a sensitivity of 92.16% for progression prediction. On GRAPE, it achieved an average accuracy of 87.48% across three clinical visual-field progression criteria. Compared with existing approaches, DiffSight-Former demonstrates strong performance and robustness across different temporal settings, highlighting its potential for longitudinal glaucoma monitoring and early risk prediction.
• Abstract（参考訳）: 緑内障は世界中で不可逆性失明の主要な原因であり、眼底画像からの早期発見は効果的な疾患管理に重要である。 深層学習は根底画像解析において有望な性能を達成したが、既存のほとんどの手法は単一のタイムポイント画像に依存しており、疾患進行に伴う縦断的な構造変化や血管変化を捉えていない。 臨床経過観察中に得られた連続眼底画像は、貴重な時間的情報を提供するが、現在のシーケンシャルモデルでは、微妙な初期進行信号の検出に苦慮することが多く、通常、既存の緑内障画像からの定長入力や診断方法に依存しており、早期予測の臨床的有用性を制限している。 これらの制約に対処するため,連続した眼底画像から緑内障進行予測を行うフレームワークであるDiffSight-Formerを提案する。 根本的基盤モデルに基づく時間変化特徴抽出モジュールを組み込んで、堅牢な解剖学的表現を得る。 光ディスク/カップ領域と網膜血管の進行に伴う変化を定量化するために、多構造差モデリングモジュールを導入する。 これらの表現は、時間間隔埋め込みと統合され、時間認識変換器によって処理され、疾患の進行をモデル化し、将来の緑内障発症確率を推定する。 SIGF(405塩基配列)とGRAPE(263塩基配列)の2つの縦断データセットを用いて実験を行った。 SIGFでは、DiffSight-FormerのAUCは91.54%、感度は92.16%に達した。 GRAPEでは、3つの臨床視野進行基準で平均87.48%の精度を達成した。 既存のアプローチと比較して、DiffSight-Formerは、異なる時間的設定にわたって、強いパフォーマンスと堅牢性を示し、縦型緑内障のモニタリングと早期リスク予測の可能性を強調している。

関連論文リスト

• Training-inference input alignment outweighs framework choice in longitudinal retinal image prediction [3.0602131532925436]
  近年の手法は, 生成複雑性の増大に向かっているが, この複雑さが要求される条件はいまだ不明である。 生成複雑性は予測可能なタスクの条件付き後続成分のエントロピーと一致し,全てのレシスタンスでトレーニング・推論入力アライメントが要求される。 我々は,この枠組みを5つの構成を対比して,立方体自己蛍光データセット上で検証した。
  論文  参考訳（メタデータ） (2026-04-18T10:28:00Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Extrapolating Prospective Glaucoma Fundus Images through Diffusion Model in Irregular Longitudinal Sequences [46.80977922491862]
  緑内障進行予測のための経時的データセットの利用は、早期治療の介入を支援するための説得力のあるアプローチを提供する。 本研究では, 既往の経時的底面像を外挿し, 将来像を予測できる新しい拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-28T15:31:47Z)
• Harnessing the power of longitudinal medical imaging for eye disease prognosis using Transformer-based sequence modeling [49.52787013516891]
  今回提案した Longitudinal Transformer for Survival Analysis (LTSA, Longitudinal Transformer for Survival Analysis, LTSA) は, 縦断的医用画像から動的疾患の予後を予測できる。 時間的注意分析により、最新の画像は典型的には最も影響力のあるものであるが、以前の画像は追加の予後に価値があることが示唆された。
  論文  参考訳（メタデータ） (2024-05-14T17:15:28Z)
• 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)
• Temporal Context Matters: Enhancing Single Image Prediction with Disease Progression Representations [8.396615243014768]
  本稿では,時間経過情報を活用した深層学習手法を提案する。 本手法では, 自己注意に基づく時間的畳み込みネットワーク(TCN)を用いて, 疾患の軌跡を最も反映した表現を学習する。 ビジョン変換器は、単点画像から特徴を抽出するために、自己教師型で事前訓練される。
  論文  参考訳（メタデータ） (2022-03-02T22:11:07Z)

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。