論文の概要: From Pixel to Prognosis: Convolutional and GLCM Feature Fusion for Automated Four-Class Cataract Severity Classification

• arxiv url: http://arxiv.org/abs/2607.18349v1
• Date: Mon, 20 Jul 2026 08:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.194036
• Title: From Pixel to Prognosis: Convolutional and GLCM Feature Fusion for Automated Four-Class Cataract Severity Classification
• Title（参考訳）: Pixel から Prognosis へ: 4 種自動白内障重症度分類のための畳み込みと GLCM 機能融合
• Abstract要約: そこで我々は,標準的な消費者用カラー写真に基づいて,低コストで自動白内障重症度分類システムを開発した。 5つの手作りGrey-Level共起行列(GLCM)を備えた畳み込みニューラルネットワーク(CNN)の深い特徴を融合するハイブリッドフレームワークが設計された。 Radial Basis Function (RBF)カーネルを備えたマルチクラスサポートベクトルマシン(SVM)は、各画像を4つの重度グレードの1つに分類する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: To develop a low-cost automated cataract severity classification system operating on standard consumer-grade colour photographs of the eye, without specialised ophthalmic hardware. Methods: A hybrid framework was designed that fuses deep features from a Convolutional Neural Network (CNN) with five handcrafted Grey-Level Co-occurrence Matrix (GLCM) and intensity descriptors - mean intensity, uniformity, standard deviation, contrast, and energy - extracted from a Hough-circle-localised pupil Region of Interest (ROI). A multi-class Support Vector Machine (SVM) with Radial Basis Function (RBF) kernel classifies each image into one of four severity grades: normal, immature, mature, or hypermature cataract. Results: The proposed fused system achieved 95.0% accuracy, 93.8% sensitivity, and 96.1% specificity on an ophthalmologist-labelled test set drawn from 300 images (75 per class) collected at an ophthalmology clinic, outperforming texture-only (88.5%) and CNN-only (91.3%) baselines and surpassing recently published deep learning approaches. Conclusion: The CNN-GLCM-SVM fusion framework provides competitive four-class cataract grading without GPU acceleration or specialised cameras, making it suitable for primary-care and telemedicine deployment in resource-limited settings.
• Abstract（参考訳）: 目的: 眼科専門のハードウェアを使わずに、標準的な消費者用カラー写真に基づいて、低コストで自動白内障重症度分類システムを開発すること。 方法:5つの手作りGrey-Level共起行列(GLCM)と強度記述子(平均強度、一様性、標準偏差、コントラスト、エネルギー)を備えた畳み込みニューラルネットワーク(CNN)の深い特徴を融合するハイブリッドフレームワークを設計した。 Radial Basis Function (RBF)カーネルを備えたマルチクラスサポートベクトルマシン(SVM)は、各画像を4つの重度グレードの1つに分類する。 結果: 提案した融合システムは, 眼科診療所で収集した300画像(75クラス)と, テクスチャのみ(88.5%)とCNNのみ(91.3%)のベースラインを上回り, 最近公表された深層学習アプローチを超越した, 眼科医による検査セットにおいて, 95.0%の精度, 93.8%の感度, 96.1%の特異性を達成した。 結論: CNN-GLCM-SVM融合フレームワークは、GPUアクセラレーションや特殊なカメラを使わずに、競合する4クラスの白内障のグレーティングを提供する。

関連論文リスト

• ELEMENT: Multi-Modal Retinal Vessel Segmentation Based on a Coupled Region Growing and Machine Learning Approach [1.9952557298945826]
  提案するフレームワークは,領域成長と機械学習を用いた特徴抽出と画素ベース分類で構成されている。 提案手法は,26の最先端手法のうち25の手法と比較して,97.40%の精度で全体の性能を向上した。 STARE、CHASE-DB、VAMPIRE FA、IOSTAR SLO、RC-SLOの場合、提案されたフレームワークは、それぞれ98.27%、97.78%、98.34%、98.04%、98.35%の精度で最先端の手法をすべて上回った。
  論文  参考訳（メタデータ） (2026-05-19T20:12:13Z)
• Fundus Image-based Glaucoma Screening via Retinal Knowledge-Oriented Dynamic Multi-Level Feature Integration [29.89152706520972]
  本稿では,動的マルチスケール特徴学習とドメイン固有網膜前駆体を統合した知識指向緑内障スクリーニングフレームワークを提案する。 動的ウィンドウ機構は、診断情報領域を適応的に識別するために考案された。 知識強化畳み込み注意モジュールは、事前訓練された基礎モデルから抽出された網膜前駆体を組み込んで注意学習を誘導する。
  論文  参考訳（メタデータ） (2026-04-14T06:38:42Z)
• DeepAf: One-Shot Spatiospectral Auto-Focus Model for Digital Pathology [37.648157065553185]
  本稿ではDeepAfを利用した新しい自動顕微鏡システムを提案する。 DeepAfは、単一ショットフォーカス予測のためのハイブリッドアーキテクチャを通じて、空間的特徴とスペクトル的特徴を組み合わせる。 システムはがんの分類において4倍で0.90AUCを達成するが、これは通常の20倍WSIスキャンよりも低い倍率で重要な成果である。
  論文  参考訳（メタデータ） (2025-10-06T19:28:08Z)
• Enhanced SegNet with Integrated Grad-CAM for Interpretable Retinal Layer Segmentation in OCT Images [0.0]
  そこで本研究では,SegNetによる網膜層分割の自動化と解釈のためのディープラーニングフレームワークを提案する。 改良されたプール戦略を含むアーキテクチャ上の革新は、ノイズの多いOCT画像からの特徴抽出を強化する。 Grad-CAMの可視化では、解剖学的に関連のある領域が強調され、セグメンテーションと臨床バイオマーカーが一致した。
  論文  参考訳（メタデータ） (2025-09-09T14:31:51Z)
• HOG-CNN: Integrating Histogram of Oriented Gradients with Convolutional Neural Networks for Retinal Image Classification [1.5939351525664014]
  本稿では,HOG-CNNと呼ばれるハイブリッド特徴抽出モデルに基づく,自動的かつ解釈可能な臨床診断支援フレームワークを提案する。 私たちの重要な貢献は、手作りのHistogram of Oriented Gradients(HOG)機能とDeep Convolutional Neural Network(CNN)表現の統合です。 本モデルでは,2次DR分類では98.5%,2次DR分類では99.2AUC,5次DR分類では94.2AUCが得られた。
  論文  参考訳（メタデータ） (2025-07-29T22:54:28Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• FundusGAN: A Hierarchical Feature-Aware Generative Framework for High-Fidelity Fundus Image Generation [35.46876389599076]
  FundusGANは、高忠実度ファンドス画像合成用に特別に設計された新しい階層的特徴認識生成フレームワークである。 我々は、FundusGANが複数のメトリクスにわたって最先端のメソッドを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-03-22T18:08:07Z)
• Domain-specific augmentations with resolution agnostic self-attention mechanism improves choroid segmentation in optical coherence tomography images [3.8485899972356337]
  脈絡膜は眼の重要な血管層であり、網膜光受容体に酸素を供給する。 現在、コロイドを測定するには、独立した半自動および深層学習に基づく複数のアルゴリズムを使う必要がある。 我々は、コロイドセグメンテーション(REACH)のためのロバストで解像度に依存しない、効果的な注意に基づくネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T11:35:23Z)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• 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)
• Circumpapillary OCT-Focused Hybrid Learning for Glaucoma Grading Using Tailored Prototypical Neural Networks [1.1601676598120785]
  緑内障は世界の視覚障害の主要な原因の1つである。 生の毛細血管Bスキャンを用いて緑内障を診断する新しい枠組みを初めて提案する。 特に,手動学習と深層学習を組み合わせた新しいOCTベースのハイブリッドネットワークを構築した。
  論文  参考訳（メタデータ） (2021-06-25T10:53:01Z)

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。