論文の概要: RED-Sphere: Hyperspherical Residual Edge Debiasing for Cross-Population Fundus Disease Domain Generalization

• arxiv url: http://arxiv.org/abs/2607.10777v1
• Date: Sun, 12 Jul 2026 14:12:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.527157
• Title: RED-Sphere: Hyperspherical Residual Edge Debiasing for Cross-Population Fundus Disease Domain Generalization
• Title（参考訳）: RED-Sphere: Hyperspherical Residual Edge Debiasing for Cross-Population Fundus Disease Domain Generalization
• Abstract要約: 画像分類のためのプラグアンドプレイロバストネスフレームワークRED-Sphereを提案する。 エッジと特徴エネルギーでショートカットに敏感なニュアンス応答を推定し、残留したソフトゲーティングによって支配的な応答を減衰させる。 病変構造を保存しながら、ソース関連アクティベーションの規模よりも角的な意味的証拠を好む。
• 参考スコア（独自算出の注目度）: 9.799197565809683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image classifiers are often trained within one source population, yet clinical deployment requires robustness to patients whose appearance, acquisition style, and disease prevalence differ from the source cohort. Existing fairness and robustness methods often require group supervision or treat appearance variation as an undifferentiated nuisance, which is insufficient when population-correlated low-level cues and lesion evidence share edge and texture structure. We study a strict source-only cross-population setting, where external populations are unseen during optimization, validation, scheduling, hyperparameter and model selection. We propose RED-Sphere, a plug-and-play robustness framework for image classification under unseen population shifts. It estimates shortcut-sensitive nuisance responses with an edge and feature energy prior, attenuates dominant responses through residual soft gating, regularizes masked nuisance views with counterfactual-inspired consistency and separation losses, and predicts labels with normalized spherical prototypes. It favours angular semantic evidence over source-correlated activation magnitude while preserving lesion structure. Although demonstrated on 2D Scanning Laser Ophthalmoscopy (SLO) fundus classification for Age-Related Macular Degeneration (AMD) and Diabetic Retinopathy (DR), RED-Sphere is not tied to retinal anatomy: the same principle can be adapted with modality-specific nuisance priors wherever appearance shortcuts and semantic evidence are entangled. Under a strict White-only Harvard-FairVision protocol, RED-Sphere improves held-out macro-F1 across all 20 task and backbone comparisons, with average gains of 1.28 and 2.98 F1 points on AMD and DR. Gains in AUC and PR-AUC, visual diagnostics, ablations, and sensitivity analyses further support stronger external semantic alignment and more stable angular disease geometry.
• Abstract（参考訳）: 医用画像分類器は、しばしば1つのソースの集団内で訓練されるが、臨床展開には、外見、取得スタイル、疾患の頻度がソースのコホートと異なる患者に対して堅牢性が必要である。 既存のフェアネスとロバストネスの手法では、集団の監督や外見の変化を未分化のニュアンスとして扱うことがしばしばあり、これは集団が関連している低レベルの手がかりや病変の証拠がエッジとテクスチャ構造を共有するのに不十分である。 本研究では,最適化,検証,スケジューリング,ハイパーパラメータ,モデル選択において,外部個体群が見えない厳密なソースのみのクロスポピュレーション環境について検討する。 画像分類のためのプラグアンドプレイロバストネスフレームワークRED-Sphereを提案する。 エッジと特徴エネルギーによるショートカット感受性ニュアンス応答を推定し、残留ソフトゲーティングにより支配的な応答を減衰させ、反ファクトにインスパイアされた一貫性と分離損失でマスク付きニュアンスビューを正規化し、正規化された球面プロトタイプでラベルを予測する。 病変構造を保存しながら、ソース関連アクティベーションの規模よりも角的な意味的証拠を好む。 老化関連黄斑変性症(AMD)と糖尿病網膜症(DR)に対する2D Scanning Laser Ophthalmoscopy (SLO) の眼底分類では示されているが、RED-Sphereは網膜解剖とは結びついていない。 RED-Sphereは、厳格なホワイトオンリーのHarvard-FairVisionプロトコルの下で、20のタスクとバックボーンの比較でホールドアウトマクロF1を改善し、AMDとDRで平均1.28と2.98のF1ポイントを獲得した。

関連論文リスト

• Counterfactual Explainability Framework With CycleGAN And Counterfactual-Classifier Alignnment Score for Retinal Disease Classification [0.8602553195689513]
  本研究は,CycleGAN駆動型対実的説明可能性フレームワークであるCounterFundusを提案する。 それぞれの病理画像について、CycleGANジェネレータによって得られる反ファクトは、推定された健康なものを表す。 Counterfactual-Classifier Alignment Score (CCAS)を導入し、Spearman相関、バイナリIoU、精度を単一のアセスメントプロトコルに埋め込む。
  論文  参考訳（メタデータ） (2026-07-23T09:00:31Z)
• Anatomy-Aware Unsupervised Detection and Localization of Retinal Abnormalities in Optical Coherence Tomography [4.828654519487229]
  教師なしの異常検出フレームワークは、病変のアノテーションなしで正常な網膜解剖の規範的な分布を学習する。 網膜層を意識した3重項学習と構造的三重項学習を併用し,病的表現と健康的表現を分離する。 Kermany データセット (AUROC: 0.799) では,VAE, VQVAE, VQGAN, f-AnoGAN ベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-04-24T01:09:05Z)
• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• A Unified Framework for Joint Detection of Lacunes and Enlarged Perivascular Spaces [3.9313804276175506]
  脳小血管疾患(CSVD)マーカー,特にEPVSとlacunaeは,医用画像解析においてユニークな課題である。 本稿では,Zero-Gated CrossTask Attention が高密度EPVSコンテキストを利用してスパースラグーン検出を誘導する形態分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-04T16:30:46Z)
• Context-Aware Asymmetric Ensembling for Interpretable Retinopathy of Prematurity Screening via Active Query and Vascular Attention [1.8420107091891775]
  未熟児網膜症(ROP:Retinopathy of Prematurity)は、小児期盲症の主要な原因の一つである。 現在のディープラーニングモデルは、大きなプライベートデータセットとパッシブマルチモーダル融合に大きく依存している。 本研究では,2つの専門ストリームによる臨床推論をシミュレートする文脈認識非対称アンサンブルモデル(CAAアンサンブル)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T02:06:26Z)
• Residual GRU+MHSA: A Lightweight Hybrid Recurrent Attention Model for Cardiovascular Disease Detection [1.267904597444312]
  臨床記録のためのコンパクトなディープラーニングアーキテクチャであるMulti-Head Self-Attentionを用いたResidual GRUを提案する。 5倍層状クロスバリデーションを用いたUCI心疾患データセットのモデルについて検討した。 提案モデルでは, 0.861, 0.860のマクロF1, 0.908のROC-AUC, 0.904のPR-AUCが全ベースラインを上回る精度で達成されている。
  論文  参考訳（メタデータ） (2025-12-16T16:33:59Z)
• Fair Deepfake Detectors Can Generalize [51.21167546843708]
  共同設立者(データ分散とモデルキャパシティ)の制御により,公正な介入による一般化が向上することを示す。 この知見を応用して, 逆正当性重み付けとサブグループワイド特徴正規化を併用し, 新たなアライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・アライメント・インセンティブ・インターベンション・インベンション・インテクション(DAID)を提案する。 DAIDは、いくつかの最先端技術と比較して、公平性と一般化の両方において一貫して優れた性能を達成する
  論文  参考訳（メタデータ） (2025-07-03T14:10:02Z)
• Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
  グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。 まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。 マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
  論文  参考訳（メタデータ） (2022-04-21T08:23:44Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• 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)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。