論文の概要: Balanced Soft mixture-of-expert model for Glaucoma Detection

• arxiv url: http://arxiv.org/abs/2607.25324v1
• Date: Tue, 28 Jul 2026 06:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.725217
• Title: Balanced Soft mixture-of-expert model for Glaucoma Detection
• Title（参考訳）: 緑内障検出のためのソフト・ミックス・オブ・エキスパートモデル
• Authors: Sai Venkatesh Chilukoti, Krishna Rauniyar, Min Shi, Xiali Hei,
• Abstract要約: 緑内障は不可逆的な視力喪失の主因である。 深層学習に基づく一様モデルにより緑内障検出の精度と効率が向上した。
• 参考スコア（独自算出の注目度）: 5.433118246208783
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Glaucoma is a group of eye diseases that damage the optic nerve, often caused by elevated intraocular pressure. It is a leading cause of irreversible vision loss and is typically developed slowly and painlessly, making it difficult to notice until significant damage has occurred. Therefore, early detection is crucial to prevent or slow the progression of vision loss. In recent years, deep learning based uni-modal models have improved the accuracy and efficiency of glaucoma detection, empowering doctors with tools for earlier diagnosis, better monitoring, and timely treatment. Building on this, multi-modal models have emerged, leveraging the strengths of different imaging modalities to learn richer and more robust representations, further enhancing glaucoma detection accuracy. However, multi-modal learning faces challenges such as imbalanced and under-optimized uni-modal representations due to joint learning objectives. To address this, we propose a balanced soft mixture-experts model with three experts and load balancing loss. The performance is measured by AUC, our proposed method surpasses the performance of all uni-modal baselines, conventional multi-modal models, and current stateof- the-art balanced multi-modal models. The proposed model can be generalized to other disease detections such as diabetic retinopathy.
• Abstract（参考訳）: 緑内障(英: Glaucoma)は、視神経を損傷する眼疾患の一種で、しばしば眼圧の上昇によって引き起こされる。 これは不可逆的な視覚喪失の主因であり、典型的にはゆっくりと無痛に発達し、重大な損傷が起こるまで気付かない。 したがって、早期検出は視力喪失の進行を予防または遅らせるために重要である。 近年、深層学習に基づく一様モデルにより、緑内障の検出精度と効率が向上し、早期診断、モニタリングの改善、タイムリーな治療のためのツールを医師に与えている。 これに基づいてマルチモーダルモデルが登場し、様々な画像モダリティの強みを活用してより豊かで堅牢な表現を学習し、緑内障の検出精度をさらに高めている。 しかし、マルチモーダル学習は、共同学習目的による不均衡や過度に最適化されたユニモーダル表現といった課題に直面している。 そこで本研究では,3人の専門家と負荷分散損失を持つバランスのとれた混合実験モデルを提案する。 提案手法は,すべてのユニモーダルベースライン,従来のマルチモーダルモデル,そして最先端のバランスの取れたマルチモーダルモデルの性能を上回っている。 提案モデルは糖尿病網膜症などの他の疾患検出に一般化することができる。

関連論文リスト

• DiffSight-Former: Modeling Structural Differences and Temporal Dynamics for Glaucoma Progression Prediction [15.917908024992805]
  緑内障は世界中で不可逆的な盲目の原因となっている。 深層学習は、基礎画像解析において有望なパフォーマンスを達成した。 眼底画像からの緑内障進展予測のためのフレームワークであるDiffSight-Formerを提案する。
  論文  参考訳（メタデータ） (2026-06-08T07:39:10Z)
• Temporal-Enhanced Interpretable Multi-Modal Prognosis and Risk Stratification Framework for Diabetic Retinopathy (TIMM-ProRS) [0.17398560678845076]
  本研究では、ビジョントランスフォーマー(ViT)、畳み込みニューラルネットワーク(CNN)、グラフニューラルネットワーク(GNN)を統合した新しいディープラーニングフレームワークTIMM-ProRSを紹介する。 TIMM-ProRSは、網膜画像と側頭葉バイオマーカー(HbA1c、網膜厚)の両方を独自に利用し、マルチモーダルおよび側頭葉のダイナミクスを捉える。 このモデルは精度97.8%、F1スコアは0.96で、最先端の性能を示し、RSG-NetやDeepDRといった既存の手法より優れている。
  論文  参考訳（メタデータ） (2026-01-13T05:57:47Z)
• EyeCLIP: A visual-language foundation model for multi-modal ophthalmic image analysis [20.318178211934985]
  本研究では,277万点以上の眼科画像と部分テキストデータを用いた視覚言語基盤モデルであるEyeCLIPを提案する。 EyeCLIPは、眼疾患や全身疾患を含む幅広い下流のタスクに移行することができる。
  論文  参考訳（メタデータ） (2024-09-10T17:00:19Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• Harnessing the power of longitudinal medical imaging for eye disease prognosis using Transformer-based sequence modeling [49.52787013516891]
  今回提案した Longitudinal Transformer for Survival Analysis (LTSA, Longitudinal Transformer for Survival Analysis, LTSA) は, 縦断的医用画像から動的疾患の予後を予測できる。 時間的注意分析により、最新の画像は典型的には最も影響力のあるものであるが、以前の画像は追加の予後に価値があることが示唆された。
  論文  参考訳（メタデータ） (2024-05-14T17:15:28Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Enhance Eye Disease Detection using Learnable Probabilistic Discrete Latents in Machine Learning Architectures [1.6000489723889526]
  糖尿病網膜症や緑内障などの眼疾患は、公衆衛生上の重大な課題となる。 深層学習モデルは、網膜イメージングのような医療画像を分析する強力なツールとして登場した。 課題は、モデル適合性と不確実性の推定であり、これは臨床的な意思決定に不可欠である。
  論文  参考訳（メタデータ） (2024-01-21T04:14:54Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)

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。