論文の概要: Optic Disc Segmentation in Fundus Images: From Classical Image Processing and Deformable Models to Modern AI

• arxiv url: http://arxiv.org/abs/2608.18367v1
• Date: Tue, 18 Aug 2026 22:39:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.230506
• Title: Optic Disc Segmentation in Fundus Images: From Classical Image Processing and Deformable Models to Modern AI
• Title（参考訳）: 眼底画像における光学ディスクセグメンテーション:古典的画像処理と変形可能なモデルから現代AIへ
• Abstract要約: 網膜画像解析と緑内障評価には,光学ディスクの正確な局在とセグメンテーションが重要である。 本稿では,従来の画像処理モデルと変形可能なモデルから,現代人工知能(AI)ベースのアプローチへのODセグメンテーションの進化について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate localization and segmentation of the optic disc (OD) are important for retinal image analysis and glaucoma assessment, yet remain challenging due to variations in illumination, pathology, vascular interference, and poorly defined boundaries. This structured methodological review examines the evolution of OD segmentation from classical image-processing and deformable models to contemporary artificial intelligence (AI)-based approaches. A structured literature search and study-selection process was used to identify representative studies spanning major methodological developments. The review first summarizes commonly used fundus-image datasets, then organizes classical methods by principal mechanisms, including intensity and thresholding, histogram and entropy analysis, morphology, geometric and Hough-transform methods, filtering and feature operators, texture- and region-based approaches, and active-contour and level-set models. This paper pays particular attention to the assumptions, strengths, limitations, and complementary roles of these methods in OD localization and boundary delineation. Representative AI approaches are subsequently examined to illustrate the transition from handcrafted features and explicitly defined priors to learned representations, Transformer-based segmentation, boundary- and shape-aware learning, promptable segmentation, and retinal foundation models. Across these methodological generations, several core segmentation principles persist, including region-of-interest localization, multiscale representation, geometric and anatomical constraints, and boundary regularization, although their implementation has shifted from predefined operators to learned modules, losses, prompts, and pretrained representations. The review further identifies boundary ambiguity, anatomical variability, domain shift, and cross-dataset generalization as continuing challenges.
• Abstract（参考訳）: 網膜画像解析および緑内障評価において,視神経円板(OD)の正確な局在とセグメンテーションは重要であるが,照明,病理,血管干渉,未定義境界などにより困難である。 本稿では,従来の画像処理モデルと変形可能なモデルから,現代人工知能(AI)に基づくアプローチへのODセグメンテーションの進化について検討する。 構造化された文献検索と研究-選択プロセスを用いて,主要な方法論的発達にまたがる代表的な研究を同定した。 このレビューではまず、一般的に使われている眼底画像データセットを要約し、次に、強度と閾値、ヒストグラムとエントロピー分析、形態学、幾何学的およびハフ変換法、フィルタリングと特徴演算子、テクスチャと地域に基づくアプローチ、アクティブな輪郭とレベルセットモデルといった古典的な手法を整理する。 本稿では,これらの手法の前提,強み,限界,補完的役割を,ODの局在化と境界線化において特に注目する。 代表的AIアプローチは、その後、手作りの特徴から、学習された表現、トランスフォーマーベースのセグメンテーション、境界および形状認識学習、アクセラブルセグメンテーション、網膜基礎モデルへの明示的に定義された事前遷移を説明するために検討される。 これらの方法論的世代にわたって、関心領域のローカライゼーション、マルチスケール表現、幾何学的および解剖学的制約、境界正規化など、いくつかの中核的なセグメンテーションの原則が続いているが、それらの実装は、事前に定義された演算子から学習されたモジュール、損失、プロンプト、事前訓練された表現へと移行してきた。 このレビューでは、境界の曖昧さ、解剖学的多様性、ドメインシフト、およびデータセット間の一般化を継続的な課題として挙げている。

関連論文リスト

• Representation learning from OCT images [3.5547968544817343]
  本調査は網膜OCT画像解析のための表現学習手法の総合的なレビューを提供する。 初期のディープラーニングアプローチから、基礎モデルや視覚言語システムにおける最新の発展までの期間をカバーしている。 各パラダイムに対して、コア方法論的コントリビューションを分析し、永続的制約を特定し、連続したアプローチ間の接続をトレースする。
  論文  参考訳（メタデータ） (2026-05-04T13:37:13Z)
• CARE: A Molecular-Guided Foundation Model with Adaptive Region Modeling for Whole Slide Image Analysis [23.45449218534003]
  本稿では, 画像全体を形態学的に関連のある領域に自動的に分割する病理基盤モデルであるCross-Modal Adaptive Region (CARE)を提案する。 通常主流の基盤モデルで使用される事前トレーニングデータのわずか10分の1に基づいて、CAREは33のダウンストリームベンチマークでより優れた平均性能を達成する。
  論文  参考訳（メタデータ） (2026-02-25T07:01:54Z)
• Advances in Medical Image Segmentation: A Comprehensive Survey with a Focus on Lumbar Spine Applications [0.18665975431697424]
  医用画像分析(MIS)は、医療画像解析の基盤として機能し、正確な治療計画や様々な医療状況のモニタリングにおいて重要な役割を担っている。 本稿では,従来の画像処理技術と最新のディープラーニング手法のギャップを埋める,MIS手法の包括的かつ体系的な調査を行う。 この調査には、しきい値検出、エッジ検出、リージョンベースのセグメンテーション、クラスタリングアルゴリズム、モデルベースのテクニックが含まれている。
  論文  参考訳（メタデータ） (2025-10-01T01:34:38Z)
• MorphGen: Morphology-Guided Representation Learning for Robust Single-Domain Generalization in Histopathological Cancer Classification [7.220226391639059]
  計算病理学における領域一般化は、スライド画像全体の不均一性によって妨げられる。 組織像,拡張,核分割マスクを統合したMorphGenを提案する。 画像の汚損(染色品など)や敵攻撃に対する学習表現のレジリエンスを実証する。
  論文  参考訳（メタデータ） (2025-08-30T01:59:19Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
  本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。 5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
  論文  参考訳（メタデータ） (2024-08-26T08:59:22Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。