論文の概要: PRISM-DR: Per-lesion Retinal Inference with Specialist Models for Diabetic Retinopathy

• arxiv url: http://arxiv.org/abs/2607.19864v1
• Date: Wed, 22 Jul 2026 07:52:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.019886
• Title: PRISM-DR: Per-lesion Retinal Inference with Specialist Models for Diabetic Retinopathy
• Title（参考訳）: PRISM-DRと糖尿病網膜症専門モデル
• Abstract要約: 糖尿病網膜症は予防的失明の主要な原因である。 ほとんどの自動検出器は、増殖しない4つのDR病変を処理している。 PRISM-DRは病変ごとに1種類の検出器を訓練する病変特異的パイプラインである。
• 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: Diabetic retinopathy is a leading cause of preventable blindness; its early lesions are small, low contrast, and easily missed in manual screening. Most automated detectors handle the four non-proliferative DR lesions: microaneurysms, hemorrhages, hard exudates, and soft exudates, with a single multi-class model, even though these lesions differ sharply in size, color, morphology, and prevalence, so a shared model favors common, easy classes over rare, difficult ones. We present PRISM-DR, a lesion-specific pipeline that trains one single-class detector per lesion, each with its own configuration. From a raw fundus image, the pipeline applies region of interest cropping, fundus-specific preprocessing, four parallel YOLO detectors, tiling, per-lesion ensembling of five cross-validation folds, and an inter-lesion suppression step that resolves overlaps by physical lesion size and clinical priority rather than confidence. Per lesion, the best of five YOLO generations is selected, and augmentation is tuned by Bayesian optimization. Trained on IDRiD with stratified five-fold cross-validation, the system reaches a test mAP50 of 0.527 and F1 of 0.529, highest AP50 on hard exudates with 0.561. Without fine-tuning, the models transfer well where the imaging scale is close to IDRiD and degrade as field of view and resolution depart. These modest absolute results reflect a small single-source training set and a difficult task; however, treating each lesion as a separate detection problem is a practical alternative to a single multi-class model.
• Abstract（参考訳）: 糖尿病網膜症は、早期病変は小さく、低コントラストであり、手動検診では容易に見逃されるため、予防可能な失明の原因となっている。 ほとんどの自動検出器は、微小動脈瘤、出血、硬口蓋、軟口蓋の4つの非増殖性DR病変を単一のマルチクラスモデルで処理するが、これらの病変はサイズ、色、形態、頻度が著しく異なるため、共有モデルは稀で難しいものよりも一般的で簡単なクラスを好む。 病変特異的パイプラインであるPRISM-DRについて述べる。 原画像から、パイプラインは、関心の収穫領域、ファンドス固有の前処理、4つの並列YOLO検出器、チリング、5つのクロスバリデーションフォールドの配列ごとの集合体、および、信頼性よりも物理的病変の大きさと臨床優先による重複を解消する配列間抑制ステップを応用する。 病変ごとに5つのYOLO世代が選択され、ベイズ最適化によって拡張が調整される。 層状5倍のクロスバリデーションを持つIDRiDで訓練されたシステムは、0.527のmAP50、0.529のF1、0.561の硬口径のAP50の試験mAP50に達する。 微調整なしでは、画像スケールがIDRiDに近いところをうまく移動し、視野や解像度が離れるにつれて劣化する。 これらの質素な絶対的な結果は、小さな単一ソースのトレーニングセットと困難なタスクを反映しているが、個々の病変を独立した検出問題として扱うことは、単一のマルチクラスモデルの実用的な代替手段である。

関連論文リスト

• RareLens: Towards End-to-End Rare Disease Care via Aligning Divergent Large Language Model Reasoning [42.80742579670377]
  RareLensは、まれな疾患の軌跡全体にわたる臨床的意思決定を支援するシステムである。 RareBenchは、33のOrphanetカテゴリと7000以上の条件にまたがる157,525件の実際のデータセットである。 検診で0.917、診断と治療で65.5%、89.8%の成績を収めた。
  論文  参考訳（メタデータ） (2026-07-25T16:58:10Z)
• Improving Automated Wound Assessment Using Joint Boundary Segmentation and Multi-Class Classification Models [1.1432909951914676]
  本研究は, 創境界セグメンテーション (WBS) と創分類 (WC) を同時に行う YOLOv11 に基づく深層学習モデルを提案する。 その結果、複雑な背景に対するモデルの堅牢性とクラス内変動性が高いことが確認できた。
  論文  参考訳（メタデータ） (2026-03-28T16:11:31Z)
• One-shot synthesis of rare gastrointestinal lesions improves diagnostic accuracy and clinical training [45.49415063761575]
  EndoRareは、単一の参照画像から多種多様な高忠実度病変を合成する、ワンショットでリトレーニング不要な生成フレームワークである。 われわれはこの枠組みを4つの稀な病理から検証した。 これらの結果は, コンピュータ支援診断と臨床教育の両方において, 希少なギャップを埋める実践的でデータ効率のよい方法を確立している。
  論文  参考訳（メタデータ） (2025-12-30T15:07:09Z)
• Balanced Few-Shot Episodic Learning for Accurate Retinal Disease Diagnosis [0.0]
  少ないショットラーニングにより、モデルがクラス毎にラベル付けされたサンプルのみから一般化できる。 本稿では、Retinal Fundus Multi-Disease Imageデータセットに合わせた、バランスの取れた数発のエピソード学習フレームワークを提案する。 本フレームワークは, 重症度の向上と, 多数派に対する偏見の低減を図り, 未適応疾患に対する顕著な改善を図っている。
  論文  参考訳（メタデータ） (2025-12-04T16:35:54Z)
• Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
  脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。 健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。 我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
  論文  参考訳（メタデータ） (2025-12-01T11:03:27Z)
• GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis [52.04899592688968]
  皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。 GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
  論文  参考訳（メタデータ） (2023-01-11T11:38:37Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
  我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。 提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
  論文  参考訳（メタデータ） (2022-11-12T23:28:54Z)
• Advances in Classifying the Stages of Diabetic Retinopathy Using Convolutional Neural Networks in Low Memory Edge Devices [0.0]
  糖尿病網膜症(DR)は重症合併症であり、網膜血管障害を引き起こす可能性がある。 これは視覚障害と視覚障害の主要な原因の1つである。 低メモリエッジマイクロコントローラ上でDRのすべてのステージを検出するために畳み込みニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-03T10:40:54Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Pseudo-Labeling for Small Lesion Detection on Diabetic Retinopathy Images [12.49381528673824]
  糖尿病網膜症(英: Diabetic retinopathy、DR)は、世界の勤労者の視覚障害の主要な原因である。 糖尿病患者の約300～400万人は、DRのために視力を失います。 色眼底画像によるDRの診断は、そのような問題を緩和するための一般的なアプローチである。
  論文  参考訳（メタデータ） (2020-03-26T17:13:48Z)

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。