論文の概要: A Dual Edge Spatial Jacobian Image Graph for Interpretable Diabetic Retinopathy Grading
- arxiv url: http://arxiv.org/abs/2606.24168v1
- Date: Tue, 23 Jun 2026 05:41:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-24 22:16:48.795064
- Title: A Dual Edge Spatial Jacobian Image Graph for Interpretable Diabetic Retinopathy Grading
- Title（参考訳）: 糖尿病網膜症診断のための二重端空間ヤコビ画像グラフ
- Authors: Inam Ullah, Imran Razzak, Shoaib Jameel,
- Abstract要約: 糖尿病性網膜症を鑑別するために,両端の空間ヤコビ画像グラフを作成した。
各基礎画像は、4つのアライメントストリームを持つグラフノードとして表現される。
このフレームワークは、病変バイオマーカー仮説生成のための説明可能な表現学習ツールとして位置づけられている。
- 参考スコア（独自算出の注目度）: 18.644793391628234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated diabetic retinopathy (DR) grading from colour fundus photographs can achieve strong predictive performance, but clinical interpretation requires more than an image-level label. It requires understanding how lesion evidence is distributed around retinal vessels and how this evidence relates to quantitative vascular biomarkers. We present a dual-edge spatial-Jacobian image graph for interpretable DR grading. Each fundus image is represented as a graph node with four aligned evidence streams: AutoMorph vessel information ($X_1$), DR-XAI-style lesion evidence maps ($X_2$), a 128-dimensional lesion-based contrastive image embedding ($X_3$), and AutoMorph morphometric biomarkers ($X_4$). The spatial edge branch ($X_{12}$) encodes vessel-lesion geometry, while the Jacobian branch ($X_{34}$) models embedding-biomarker sensitivity. Lightweight two-token attention fuses both edge families into a final image graph. On 2,910 matched non-augmented APTOS images, the full graph achieves 0.8076 accuracy, 0.8312 quadratic weighted kappa, 0.5915 macro-F1, and 0.9330 adjacent-grade accuracy; referable DR reaches 0.9055 accuracy and 0.9711 AUROC. The framework is positioned as an explainable representation-learning tool for lesion-biomarker hypothesis generation, rather than as a deployment-ready clinical classifier. The code is available at https://github.com/Inamullah-Colab/dual-edge-dr-graph-xai.
- Abstract（参考訳）: カラー眼底写真から得られた糖尿病網膜症(DR)の自動評価は、高い予測性能が得られるが、臨床解釈には画像レベルのラベル以上のものが必要である。
網膜血管の周囲の病変の証拠がどのように分布し、この証拠が定量的な血管バイオマーカーにどのように関係しているかを理解する必要がある。
解釈可能なDRグレーディングのための両端空間ヤコビ画像グラフを提案する。
AutoMorph vessel information(X_1$)、DR-XAIスタイルの病変エビデンスマップ(X_2$)、128次元の病変ベースのコントラスト画像埋め込み(X_3$)、AutoMorph morphometric biomarkers(X_4$)である。
空間エッジブランチ(X_{12}$)は容器配置幾何学を符号化し、ヤコビ分岐(X_{34}$)は埋め込みバイオマーカーの感度をモデル化する。
軽量二点注意は、両方のエッジファミリを最終画像グラフに融合させる。
マッチングされていない2,910個のAPTOS画像において、フルグラフは0.8076の精度、0.8312の二次重み付きカッパ、0.5915のマクロF1、0.9330の隣接グレードの精度を達成し、参照可能なDRは0.9055の精度と0.9711のAUROCに達する。
このフレームワークは、デプロイ可能な臨床分類器ではなく、病変バイオマーカー仮説生成のための説明可能な表現学習ツールとして位置づけられている。
コードはhttps://github.com/Inamullah-Colab/dual-edge-dr-graph-xaiで公開されている。
関連論文リスト
- X-Mark: Saliency-Guided Robust Dataset Ownership Verification for Medical Imaging [67.85884025186755]
高品質な医用画像データセットは深層学習モデルの訓練には不可欠であるが、その無許可の使用は重大な著作権と倫理的懸念を提起する。
医用画像は、自然画像用に設計された既存のデータセットの所有権検証方法に固有の課題を示す。
胸部X線著作権保護のためのサンプル特異的クリーンラベル透かし法であるX-Markを提案する。
論文 参考訳（メタデータ） (2026-02-10T00:03:43Z) - GraphDerm: Fusing Imaging, Physical Scale, and Metadata in a Population-Graph Classifier for Dermoscopic Lesions [0.30661374053736157]
画像、ミリスケールキャリブレーション、分類のためのメタデータを融合した幾何学グラフフレームワークであるGraphDermを提案する。
我々は、病変と定規セグメンテーションのためにU-Netをトレーニングし、病変マスクからリアルタイムな記述子を計算する。
グラフは AUC 0.9812 に達し、AUC 0.9788 (画像のみのベースラインは 0.9440 ) のエッジの約25%をしきい値で保存し、クラスごとの到達範囲は 0.97-0.99 である。
論文 参考訳（メタデータ） (2025-09-14T08:11:54Z) - ICGM-FRAX: Iterative Cross Graph Matching for Hip Fracture Risk Assessment using Dual-energy X-ray Absorptiometry Images [5.815886591098857]
ICGM-FRAXはDXA(Dual-Energy X-ray Absorptiometry)画像を用いた股関節骨折の予測手法である。
実験の結果,ICGM-FRAXの感度は0.9869であった。
論文 参考訳（メタデータ） (2025-04-21T18:52:15Z) - A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。
我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。
がんのステージングと生存予測の課題に強いパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-03-14T20:15:04Z) - Coronary Artery Semantic Labeling using Edge Attention Graph Matching
Network [4.316187690050619]
冠状動脈疾患 (CAD) は、世界中の死因の1つである。
本稿では,冠動脈セマンティックラベリングのためのエッジアテンショングラフマッチングネットワーク(EAGMN)を提案する。
論文 参考訳（メタデータ） (2023-05-21T03:14:42Z) - An Ensemble Method to Automatically Grade Diabetic Retinopathy with
Optical Coherence Tomography Angiography Images [4.640835690336653]
糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。
まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。
最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
論文 参考訳（メタデータ） (2022-12-12T22:06:47Z) - 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) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z) - Representation Learning of Histopathology Images using Graph Neural
Networks [12.427740549056288]
本稿では,WSI表現学習のための2段階フレームワークを提案する。
色に基づく手法を用いて関連するパッチをサンプリングし、グラフニューラルネットワークを用いてサンプルパッチ間の関係を学習し、画像情報を単一のベクトル表現に集約する。
肺腺癌 (LUAD) と肺扁平上皮癌 (LUSC) の2つの亜型を鑑別するためのアプローチの有用性について検討した。
論文 参考訳（メタデータ） (2020-04-16T00:09:20Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。