論文の概要: SpecF2M: A Spectral-Aware Multi-task Network Estimating Axial Length and Refractive Error from Pediatric Fundus Photographs
- arxiv url: http://arxiv.org/abs/2608.09994v1
- Date: Fri, 07 Aug 2026 09:44:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.745993
- Title: SpecF2M: A Spectral-Aware Multi-task Network Estimating Axial Length and Refractive Error from Pediatric Fundus Photographs
- Title（参考訳）: SpecF2M:小児眼底写真からの軸長と屈折誤差を推定するスペクトル対応マルチタスクネットワーク
- Abstract要約: 小児眼底写真からALおよびSER成分を推定するためのスペクトル対応マルチタスクネットワークであるSpecF2Mを提案する。
小児コホートは4,359人の子どもの訪問と6,966の眼底画像で、SpecF2MはAL推定のためにCNN/ViTベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 9.832222269297182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spherical Equivalent Refraction (SER) and Axial Length (AL) are core indicators for pediatric myopia screening, yet their measurements require dedicated biometry and cycloplegic refraction. Fundus photography offers an accessible imaging modality, as myopia-related posterior-pole changes are visible in 45$^\circ$ fundus images. However, these cues are often low-contrast, spatially diffuse, and multi-scale. Moreover, AL, Sphere (SPH), and Cylinder (CYL) share partially overlapping but non-identical anatomical correlates. We propose SpecF2M, a spectral-aware multi-task network for estimating AL and SER components from pediatric fundus photographs. SpecF2M integrates a deterministic anatomy-guided enhancement module, a hybrid spatial--spectral backbone combining MixCNN and Hybrid Spectral Learning (HSL) blocks, and an expert-routing head for component-level estimation of AL, SPH, and CYL. On a pediatric cohort of 4,359 eligible child visits and 6,966 fundus images, SpecF2M outperforms controlled CNN/ViT baselines for AL and SPH estimation, achieving MAEs of 0.5347 mm and 0.7062 D, respectively. Component-level analysis further reveals asymmetric task coupling, where CYL exhibits weaker association with fundus-derived myopic patterns than AL/SPH. These results support fundus-based, screening-oriented estimation of pediatric myopia indicators, while external validation remains necessary before deployment.
- Abstract（参考訳）: SER(Spherical Equivalent Refraction)とAL(Axial Length)は小児ミオピアスクリーニングの指標である。
ファンダス写真は、近視眼に関連した後極の変化を45$^\circ$ fundus画像で見ることができるので、アクセス可能な画像モダリティを提供する。
しかし、これらのキューはしばしば低コントラスト、空間的拡散、マルチスケールである。
さらに、AL、Sphere(SPH)、Cylinder(CYL)は部分的に重なり合うが、非同一の解剖学的相関がある。
小児眼底写真からALおよびSER成分を推定するためのスペクトル対応マルチタスクネットワークであるSpecF2Mを提案する。
SpecF2Mは、決定論的解剖誘導強化モジュール、MixCNNとHybrid Spectral Learning(HSL)ブロックを組み合わせたハイブリッド空間スペクトルバックボーン、AL、SPH、CYLのコンポーネントレベルの推定のためのエキスパートルーティングヘッドを統合する。
小児の4,359回の乳児訪問と6,966回の眼底画像のコホートにおいて、SpecF2MはALとSPHの推定のためにCNN/ViTベースラインを上回り、それぞれ0.5347mmと0.7062DのMAEを達成している。
コンポーネントレベルの分析により、CYLはAL/SPHよりも眼底由来の筋活動パターンと弱い関係を示す非対称なタスクカップリングが明らかにされる。
これらの結果は,小児ミオピアインジケータの根源的スクリーニング指向評価をサポートし,外的検証は展開前にも必要である。
関連論文リスト
- Unmixing microinfrared spectroscopic images of cross-sections of historical oil paintings [38.319445753146404]
ATR-$FTIR HSIのブラインドアンミックスのための教師なしCNNオートエンコーダを提案する。
本稿では,ヴァン・エイク兄弟によるヘント・アルタルピースのATR-$FTIR断面積を実証する。
論文 参考訳（メタデータ） (2026-03-03T09:47:48Z) - S2ML: Spatio-Spectral Mutual Learning for Depth Completion [56.26679539288063]
RGB-Dカメラで撮影した生深度画像は、弱い反射、境界影、アーティファクトによって不完全な深度値に悩まされることが多い。
既存の手法では、画像領域の深度補完によってこの問題に対処するが、それらは生の深度画像の物理的特性を見落としている。
本研究では,空間領域と周波数領域の両方の利点を両立させるため,S2ML(Spatio-Spectral Mutual Learning framework)を提案する。
論文 参考訳（メタデータ） (2025-11-08T15:01:55Z) - MDF-MLLM: Deep Fusion Through Cross-Modal Feature Alignment for Contextually Aware Fundoscopic Image Classification [0.32622301272834514]
既存のマルチモーダル大言語モデル(MLLM)は網膜疾患の診断に不可欠な低レベルの空間的詳細を捉えるのに苦労することが多い。
このモデル開発と検証は、3つの公開データセットからコンパイルされた1,305個の画像テキストペアに対して行われた。
MDF-MLLMは、4つのU-Net層エンコーダからLLaMA 3.2 11B MLLM内のクロスアテンションブロックへのスキップ機能を統合する。
論文 参考訳（メタデータ） (2025-09-21T05:46:35Z) - Spectral-Spatial Self-Supervised Learning for Few-Shot Hyperspectral Image Classification [3.5876461566779]
ハイパースペクトル画像 (HSI) のわずかな分類は, 少ないラベル付きサンプルの課題に直面している。
本稿では,Few-Shot Hyperspectral Image Classification (S4L-FSC) のためのスペクトル空間自己監督学習法を提案する。
論文 参考訳（メタデータ） (2025-05-18T15:56:35Z) - DMS-Net:Dual-Modal Multi-Scale Siamese Network for Binocular Fundus Image Classification [8.86559854172874]
両眼網膜画像分類のためのデュアルモードマルチスケールシアムネットワークであるDMS-Netを提案する。
このフレームワークは、両眼の眼底画像から深い意味的特徴を同時に抽出するために、重量共有型ResNet-152アーキテクチャを使用している。
精度は82.9%、リコールは84.5%、コーエンのカッパ係数は83.2%である。
論文 参考訳（メタデータ） (2025-04-25T03:27:28Z) - Evaluation of the potential of Near Infrared Hyperspectral Imaging for
monitoring the invasive brown marmorated stink bug [53.682955739083056]
BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。
本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
論文 参考訳（メタデータ） (2023-01-19T11:37:20Z) - PCRLv2: A Unified Visual Information Preservation Framework for
Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。
また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。
提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文 参考訳（メタデータ） (2023-01-02T17:47:27Z) - Assessing Coarse-to-Fine Deep Learning Models for Optic Disc and Cup
Segmentation in Fundus Images [0.0]
粗い深層学習アルゴリズムは、底面画像の鉛直カップ・トゥ・ディスク比(vCDR)を効率的に測定するために用いられる。
5つの公開データベースを用いたOD/OCセグメンテーションのための粗粒度設計の包括的解析を行う。
分析の結果,これらのアルゴリズムは必ずしも標準のマルチクラスシングルステージモデルより優れているとは限らないことがわかった。
論文 参考訳（メタデータ） (2022-09-28T19:19:16Z) - Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image
Reconstruction [127.20208645280438]
ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。
スペクトル間相互作用のモデル化は、HSI再構成に有用である。
Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-11-15T16:59:48Z) - Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。
提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
論文 参考訳（メタデータ） (2020-03-15T23:07:56Z) - Spectrum Translation for Cross-Spectral Ocular Matching [59.17685450892182]
バイオメトリックスでは、特に眼領域において、クロススペクトル検証が大きな問題となっている。
近赤外画像と視覚光画像のスペクトル変換におけるコンディショナル・ディバイサル・ネットワークの利用について検討した。
論文 参考訳（メタデータ） (2020-02-14T19:30:31Z)
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。