論文の概要: Multi-Resolution Feature Stem for Diabetic Retinopathy lesion segmentation

• arxiv url: http://arxiv.org/abs/2607.08679v1
• Date: Thu, 09 Jul 2026 16:42:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.598658
• Title: Multi-Resolution Feature Stem for Diabetic Retinopathy lesion segmentation
• Title（参考訳）: 糖尿病網膜症病変分節症に対する多解像ステム
• Abstract要約: 糖尿病網膜症(DR)は、世界中で予防可能な失明の原因となっている。 DR病変は小さな微小動脈瘤から大きな出血や排出物まで様々である。 この可変性は、モデルアーキテクチャと入力解決に矛盾する要求を生み出します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Diabetic Retinopathy (DR) is a leading cause of preventable blindness worldwide, requiring automated lesion segmentation using deep learning models for early detection and monitoring. However, DR lesions vary dramatically in size from tiny microaneurysms to large hemorrhages and exudates. This variability creates conflicting demands on the model architecture and input resolution, posing a challenge for effective design. This work investigates the impact of input resolution on different lesion types. Through systematic experimentation with multiple architectures (U-Net, UNet++, Vision Transformers, DeepLabV3+) at $512 \times 512$ and $1024 \times 1024$ resolutions, we identify a critical, counter-intuitive phenomenon where increasing input resolution has opposing effects on different lesion types. We demonstrate that while higher resolution is essential for resolving fine-grained microaneurysms, it can unexpectedly degrade performance on larger hemorrhages. This finding challenges the common assumption that higher resolution is uniformly beneficial. To address this, we propose a novel Multi-Resolution Feature Stem, an input-level pyramid integrated with a UNet++ backbone. This architecture processes multiple scales in parallel, capturing fine-grained details without sacrificing contextual information. This work contributes crucial empirical evidence of this complex, resolution-dependent behavior and a practical, parameter-efficient architecture that successfully resolves this trade-off.
• Abstract（参考訳）: 糖尿病網膜症(DR: Diabetic Retinopathy)は、早期発見とモニタリングのためにディープラーニングモデルを用いた自動病変分割を必要とする、世界中で予防可能な視覚障害の主要な原因である。 しかし、DR病変は小さな微小動脈瘤から大きな出血や吐出まで様々である。 この可変性は、モデルアーキテクチャと入力解決に矛盾する要求を生じさせ、効果的な設計に挑戦する。 本研究は,入力分解能が病変の種類に及ぼす影響について検討する。 複数アーキテクチャ(U-Net, UNet++, Vision Transformers, DeepLabV3+)を512 \times 512$と1024 \times 1024$解像度で体系的に実験することで、入力解像度の増大が異なる病変タイプに反する致命的かつ非直感的な現象を特定する。 より微細な微小動脈瘤の解決には高分解能が不可欠であるが, 大きな出血では予期せぬ性能低下がみられた。 この発見は、高分解能が一様利益であるという一般的な仮定に挑戦する。 そこで本研究では,UNet++のバックボーンと統合された入力レベルのピラミッドであるMulti-Resolution Feature Stemを提案する。 このアーキテクチャは、複数のスケールを並列に処理し、コンテキスト情報を犠牲にすることなく、きめ細かい詳細をキャプチャする。 この研究は、この複雑で解像度に依存した振る舞いと、このトレードオフをうまく解決する実践的でパラメータ効率の良いアーキテクチャに関する重要な実証的な証拠に貢献する。

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)
• MedVSR: Medical Video Super-Resolution with Cross State-Space Propagation [63.38824041721275]
  低解像度(LR)医療ビデオは、ビデオ超解像度(VSR)モデルに固有の課題を提示する。 本稿では,医療用VSRのためのフレームワークであるMedVSRを提案する。 MedVSRは既存のVSRモデルよりも性能と効率が優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:56:59Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• Large Scale Supervised Pretraining For Traumatic Brain Injury Segmentation [1.1203032569015594]
  msTBIの病変の分節化は,これらの病変の特徴が多様であることから,大きな課題となる。 AIMS-TBI Challenge 2024は、T1強調MRIデータ用に設計された革新的なセグメンテーションアルゴリズムを進化させることを目的としている。 さまざまな解剖学的および病理学的構造をカバーするデータセットの包括的コレクション上にResenc Lネットワークをトレーニングする。 その後、モデルがmsTBI固有のデータに基づいて微調整され、T1強調MRIスキャンの特性を最適化する。
  論文  参考訳（メタデータ） (2025-04-09T09:52:45Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Diffusion Models with Ensembled Structure-Based Anomaly Scoring for Unsupervised Anomaly Detection [35.46541584018842]
  非教師なし異常検出(UAD)は、病理分類の有効な代替手段として現れる。 近年のUAD異常スコアリング機能は、強度のみに焦点を合わせ、構造的差異を無視することが多く、セグメンテーション性能を損なう。 構造的類似性(SSIM)は強度と構造的格差の両方を捉え、古典的な$l1$エラーよりも有利である。
  論文  参考訳（メタデータ） (2024-03-21T09:50:39Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• MS-DCANet: A Novel Segmentation Network For Multi-Modality COVID-19 Medical Images [3.340523650338255]
  新型コロナウイルス(COVID-19)パンデミックは公衆衛生の負担を増し、人間に深刻な災害をもたらした。 境界線がぼやけたり、コントラストが低かったり、感染部位が違っていたりした新型コロナウイルスの医療画像に特筆すべき点として、より複雑なものを追加することで精度を向上させた研究者もいる。 本稿では,MSDCANetという対称自動セグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-22T05:51:52Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。