Fugu-MT 論文翻訳(概要): Model Confidence-Guided Multi-Image Fusion of Fundus Images for Diabetic Retinopathy Diagnosis

論文の概要: Model Confidence-Guided Multi-Image Fusion of Fundus Images for Diabetic Retinopathy Diagnosis

arxiv url: http://arxiv.org/abs/2607.03643v1
Date: Fri, 03 Jul 2026 23:48:32 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.67184
Title: Model Confidence-Guided Multi-Image Fusion of Fundus Images for Diabetic Retinopathy Diagnosis
Title（参考訳）: 糖尿病網膜症診断のためのモデル信頼誘導多画像融合法
Abstract要約: 医療へのアクセスが制限されている低所得国や中所得国では、早期の眼病検診が重要である。信頼性誘導型多像性糖尿病網膜症診断フレームワークが画像フィルタリングと信頼度認識予測を統合できるかどうかを検討した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Purpose: Early screening for eye diseases is critical in low- and middle-income countries where access to care is limited. We investigate whether a confidence-guided, multi-image diabetic retinopathy diagnosis framework can integrate image filtering with confidence-aware predictions for reliable screening at capture. Methods: We develop a multi-image fusion method that aggregates retinal views to improve confidence and balanced accuracy. Our method uses confidence to identify unreliable predictions, prompting retakes when needed. We compare: (1) a cascaded image-quality and disease diagnosis pipeline using a single image per patient, (2) confidence-based prediction, and (3) our confidence-based multi-image fusion pipeline. All methods are evaluated using a RETFoundGreen backbone on the mBRSET (n = 1,234) and BRSET (n = 7,599) datasets. Results: At 70% coverage, our method achieves 91% balanced accuracy on mBRSET and 97% on BRSET, improvements of ~12% and ~6%, respectively, over cascade filtering. The image-quality cascade reaches sensitivities of 61% on mBRSET and 86% on BRSET, whereas our framework reaches 94% and 96%, respectively, at 50% coverage. Conclusions: Human-annotated quality labels are weakly associated with diagnostic performance, and confidence-based filtering consistently outperforms image quality-based cascaded pipelines. Translational Relevance: Using confidence-based multi-image fusion, patients receive more reliable predictions, reducing incorrect diagnoses during screening. The lightweight backbone and single inference pass per image make the framework compatible with low-latency mobile screening systems in resource-limited settings.
Abstract（参考訳）: 目的: 医療へのアクセスが制限された低所得国では, 早期の眼病検診が重要である。信頼性誘導型多像性糖尿病網膜症診断フレームワークが画像フィルタリングと信頼度認識予測を統合できるかどうかを検討した。方法: 網膜視を集約して信頼性とバランスの取れた精度を向上させるマルチイメージ融合法を開発した。我々の手法は信頼できない予測を識別するために信頼度を使用し、必要に応じて再取り込みを促す。本研究では,(1)患者1人1画像を用いた画像品質・疾患診断パイプライン,(2)信頼に基づく予測,(3)信頼に基づくマルチイメージ融合パイプラインを比較した。すべてのメソッドは、mBRSET(n = 1,234)およびBRSET(n = 7,599)データセット上のRETFoundGreenバックボーンを使用して評価される。結果: 70%でmBRSETで91%, BRSETで97%, カスケードフィルターで12%, 6%の改善が得られた。画像品質のカスケードは,mBRSETが61%,BRSETが86%,フレームワークが94%,BRSETが96%,カバーが50%であった。結論: 人間の注釈付き品質ラベルは診断性能と弱い関係があり、信頼に基づくフィルタリングは画像品質ベースのカスケードパイプラインを一貫して上回る。翻訳関連性: 信頼性に基づくマルチイメージ融合を用いて、患者はより信頼性の高い予測を受け、スクリーニング中に誤診断を減らす。ライトウェイトなバックボーンとイメージ毎のシングル推論パスにより、リソース制限設定で低レイテンシなモバイルスクリーニングシステムと互換性がある。

関連論文リスト

An automated method of identifying incorrectly labelled images based on the sequences of loss functions of deep learning networks [17.829950558862947]
手動でラベル付けされた医療画像の最大10%は誤りであり、モデル性能を劣化させる可能性がある。本稿では,損失関数のシーケンスを解析することにより,誤ったラベル付けされた医療画像を自動的に識別する手法を提案する。識別された画像は専門家によってレビューされ、再評価され、データセットの品質とモデルパフォーマンスが向上する。
論文参考訳（メタデータ） (2026-07-01T08:19:38Z)
FairGen: Preference-Aligned Diffusion for Demographically Equitable Medical Image Synthesis [44.21684876717324]
人口統計学的にバランスの取れた医療画像を合成するフェアネス対応拡散フレームワークであるFairGenを紹介する。医師の好みを生成プロセスに組み込むことで、FairGenは合成時のカバレッジと下流の分類を改善する。
論文参考訳（メタデータ） (2026-06-01T15:45:20Z)
Fair-Eye Net: A Fair, Trustworthy, Multimodal Integrated Glaucoma Full Chain AI System [4.8618060696029]
緑内障は世界中で不可逆性視力の最大の原因であり、早期発見と経時的な視力低下の予防に重要な役割を担っている。 Fair-Eye Netは、緑内障スクリーニングからフォローアップおよびリスク警告までの臨床ループを閉鎖する、公正で信頼性の高いマルチモーダルAIシステムである。ファンドス写真、OCT構造メトリクス、VF機能指標、および人口統計因子を、二ストリームの異種融合アーキテクチャを通じて統合し、選択予測と安全な参照のための不確実性を考慮した階層的ゲーティング戦略と統合する。
論文参考訳（メタデータ） (2026-01-26T13:12:24Z)
Selective Diabetic Retinopathy Screening with Accuracy-Weighted Deep Ensembles and Entropy-Guided Abstention [0.0]
糖尿病網膜症(DR)は2030年までに全世界で1億3000万人以上の患者に影響を与えると予測されている。不確実性推定と統合された深層アンサンブル学習フレームワークを導入し,DR検出における堅牢性,透明性,スケーラビリティを向上させる。 35,000個のEyePACS網膜基底画像のトレーニングと検証は、未濾過の精度93.70%を生み出した。
論文参考訳（メタデータ） (2025-10-29T04:16:04Z)
DRetNet: A Novel Deep Learning Framework for Diabetic Retinopathy Diagnosis [8.234135343778993]
現在のDR検出システムは、画質の悪い画像、解釈可能性の欠如、ドメイン固有の知識の不十分な統合に苦慮している。 3つの革新的なコントリビューションを統合する新しいフレームワークを紹介します。フレームワークの精度は92.7%、精度は92.5%、リコールは92.6%、F1スコアは92.5%、AUCは97.8%、mAPは0.96、MCCは0.85である。
論文参考訳（メタデータ） (2025-09-01T02:27:16Z)
Lightweight Relational Embedding in Task-Interpolated Few-Shot Networks for Enhanced Gastrointestinal Disease Classification [0.0]
大腸癌の検出は、患者の生存率を高めるために重要である。大腸内視鏡は、適切な高品質の内視鏡画像を取得することに依存する。 Few-Shot Learning アーキテクチャにより、我々のモデルは、目に見えないきめ細かな内視鏡画像パターンに迅速に適応できる。精度は90.1%,精度は0.845,リコールは0.942,F1スコアは0.891であった。
論文参考訳（メタデータ） (2025-05-30T16:54:51Z)
Revisiting Medical Image Retrieval via Knowledge Consolidation [46.6989555659494]
本稿では,階層的特徴と機能に関する知識を集約する新しい手法を提案する。本稿では,Depth-aware Representation Fusion (DaRF)とStructure-aware Contrastive Hashing (SCH)を紹介する。解剖学的放射線学データセットの平均精度は5.6～38.9%向上した。
論文参考訳（メタデータ） (2025-03-12T13:16:42Z)
Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。 FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
論文参考訳（メタデータ） (2024-06-18T03:04:52Z)
Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
論文参考訳（メタデータ） (2023-01-01T05:02:46Z)
The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
論文参考訳（メタデータ） (2021-09-18T02:28:01Z)
A multicenter study on radiomic features from T$_2$-weighted images of a customized MR pelvic phantom setting the basis for robust radiomic models in clinics [47.187609203210705]
骨盤ファントムの2Dおよび3D T$$-weightedイメージを3つのスキャナーで取得した。放射線学的特徴の再現性と再配置を評価した。
論文参考訳（メタデータ） (2020-05-14T09:24:48Z)

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。