論文の概要: PARAGraph: Pathology-Anatomy-Aware Hierarchical Graph for Diabetic Retinopathy Grading

• arxiv url: http://arxiv.org/abs/2608.08368v1
• Date: Sat, 08 Aug 2026 23:40:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.793541
• Title: PARAGraph: Pathology-Anatomy-Aware Hierarchical Graph for Diabetic Retinopathy Grading
• Title（参考訳）: PARAGraph : 糖尿病網膜症における病理解剖学的階層グラフ
• Authors: Ziyang Zhang, Yuankai Huo, Yalin Zheng, He Zhao,
• Abstract要約: 糖尿病網膜症診断のための病理解剖学的階層グラフフレームワークを提案する。 PARAGraphは、各イメージを、病変レベルノード、中間カテゴリとリージョンノード、グローバル解剖学的およびセマンティックノードを備えた3レベルの階層グラフとして表現する。 Messidor-2, APTOS, DDRの実験から, PARAGraphは最先端の手法よりも一貫したDRグレーディング性能を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 27.94978331050486
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diabetic retinopathy (DR) remains a leading cause of vision loss among working-age adults worldwide, making reliable severity grading clinically important. Despite strong performance, most deep models formulate DR grading as image-level classification and do not explicitly model clinically grounded evidence, such as lesion types and spatial relations. In this paper, we propose PARAGraph, a Pathology-Anatomy-Aware Hierarchical Graph framework for DR grading. PARAGraph represents each image as a three-level hierarchical graph with lesion-level nodes, intermediate category and region nodes, and global anatomical and semantic nodes. To incorporate medical priors into nodes, we construct an optic disc-fovea-anchored coordinate frame that provides a scale- and rotation-normalized retinal reference system. Within this frame, lesion nodes are encoded with category, normalized area, and anatomical coordinates. To mitigate noisy lesion segmentation, PARAGraph uses a dual-fusion strategy that introduces global visual context into a graph semantic node and a decision-level prediction branch, improving robustness when lesion evidence is unreliable. Extensive experiments on Messidor-2, APTOS, and DDR show that PARAGraph achieves consistent DR grading performance over state-of-the-art methods. Interpretability and robustness analyses further demonstrate that its predictions are clinically grounded, closely associated with lesion evidence and robust to lesion segmentation noise.
• Abstract（参考訳）: 糖尿病網膜症 (DR) は, 高齢者の視力低下の主要な原因であり, 信頼性の高い重症度が臨床的に重要である。 強い性能にもかかわらず、ほとんどの深いモデルではDRグレーディングを画像レベルの分類として定式化し、病変タイプや空間関係などの臨床的根拠のある証拠を明示的にモデル化していない。 本稿では,DRグレーディングのための病理解剖学的階層グラフフレームワークであるPARAGraphを提案する。 PARAGraphは、各イメージを、病変レベルノード、中間カテゴリとリージョンノード、グローバル解剖学的およびセマンティックノードを備えた3レベルの階層グラフとして表現する。 医用前駆体をノードに組み込むため,スケールおよび回転正規化網膜基準系を提供する光ディスクフォベアアンカレート座標フレームを構築した。 このフレーム内では、病変ノードはカテゴリ、正規化領域、解剖学的座標でエンコードされる。 PARAGraphは、ノイズのある病変のセグメンテーションを軽減するために、グラフセマンティックノードと決定レベルの予測ブランチにグローバルな視覚コンテキストを導入するデュアルフュージョン戦略を使用し、病変の証拠が信頼できない場合の堅牢性を改善する。 Messidor-2, APTOS, DDR の大規模な実験により, PARAGraph は最先端の手法よりも一貫した DR グレーディング性能が得られることが示された。 解釈可能性とロバスト性の分析は、その予測が臨床的に根拠付けられており、病変の証拠と密接に関連しており、病変のセグメンテーションノイズに頑健であることを示している。

関連論文リスト

• GLeVE: Graph-Guided Lesion Grounding with Proposal Verification in 3D CT [16.979389238358937]
  臨床診断には3次元CTボリュームへの地中X線検査報告の記載が不可欠である。 既存のレポート支援および視覚言語基底法は、フレーズレベルのアライメントや高密度画素監督に依存している。 解剖学的事前検証とオクツリーによる自己回帰的改善を併用したグラフ誘導型病変基盤フレームワークであるGLeVEを提案する。
  論文  参考訳（メタデータ） (2026-05-21T15:30:41Z)
• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• Graph-Augmented Topological Internalization with Dual-Stream Classifiers for Medical Report Generation [3.3887144970801555]
  トポロジカル内部化を用いたグラフ拡張型デュアルストリーム医療レポート生成法(GDMRG)を提案する。 本フレームワークでは,グローバルな疾患の共起を前提としたパラメータ化重み行列を生成するトポロジカル・ナレッジ・インサイナライゼーション・モジュールであるTKIを導入する。 MIMIC-CXRデータセットの実験は、GDMRGが自然言語の流速を維持しながら競争力のある臨床効果CEを達成することを示した。
  論文  参考訳（メタデータ） (2026-05-04T09:17:27Z)
• Graph Neural Networks for Surgical Scene Segmentation [10.617051271345018]
  視覚変換器(ViT)機能エンコーダとグラフニューラルネットワーク(GNN)を統合し,解剖学的領域間の空間関係を明示的にモデル化する2つのセグメンテーションモデルを提案する。 提案手法は,mIoU(Mean Intersection over Union)の最大7～8%の改善,mDice(Mean Dice)の6%改善を実現している。
  論文  参考訳（メタデータ） (2025-11-20T14:58:29Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Multi-graph Graph Matching for Coronary Artery Semantic Labeling [4.238852424523291]
  冠状動脈意味的ラベル付けのためのマルチグラフグラフマッチング(MGM)アルゴリズムを提案する。 MGMアルゴリズムは、複数の血管木グラフにおける動脈間の類似性を評価し、各グラフ間のサイクル整合性を考慮して評価する。 718 ICAを用いた多地点データセットを用いて冠動脈セマンティックラベリングの精度0.9471の精度を実現した。
  論文  参考訳（メタデータ） (2024-02-24T20:02:00Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。