論文の概要: Interpretable Fundus Image Classification via Ring-Based Retinal Vasculature Features

• arxiv url: http://arxiv.org/abs/2608.24723v1
• Date: Tue, 25 Aug 2026 15:37:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:35.066887
• Title: Interpretable Fundus Image Classification via Ring-Based Retinal Vasculature Features
• Title（参考訳）: Ring-based Retinal Vasculature Features によるFundus画像の解釈
• Abstract要約: 本研究は、光学ディスクを中心とした網膜血管のリング構造表現に基づく、解釈可能な基底画像分類フレームワークを開発する。 提案手法は,3つの公開ファンドデータセットに対して高い分類性能を示した。
• 参考スコア（独自算出の注目度）: 9.487322909627116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retinal fundus photography is widely used for screening and monitoring ocular diseases, but many modern classification pipelines rely on deep latent representations and provide limited interpretability. This study develops an interpretable fundus image classification framework based on a ring-structured representation of the retinal vasculature centered on the optic disc. The method quantifies vessel geometry, color appearance, oxygenation-related vascular appearance, and vessel--background entropy within concentric retinal regions. These physiologically motivated descriptors are derived from vessel masks, image intensities, and optical-density measurements and aggregated across rings to capture spatial variation in vascular properties. Using only quantitative vascular descriptors, the proposed method achieved strong classification performance across three public fundus datasets. On HRF, it achieved 91.1\% accuracy using automatically generated vessel masks, matching RETFound, a vision transformer pretrained on large-scale retinal fundus image data, under the same evaluation setting. Additional analyses suggest that pretrained image models are sensitive to acquisition-related spatial cues, including fundus scale and retinal position within the field of view, as well as broader non-vessel image characteristics. This framework may support interpretable disease classification, quantitative retinal phenotyping, and retinal biomarker discovery without requiring large task-specific training datasets.
• Abstract（参考訳）: 網膜眼底撮影は眼疾患のスクリーニングやモニタリングに広く用いられているが、現代の多くの分類パイプラインは深い潜伏表現に依存しており、限定的な解釈性を提供している。 本研究は、光学ディスクを中心とした網膜血管のリング構造表現に基づく、解釈可能な基底画像分類フレームワークを開発する。 この方法は、同心網膜領域内の血管の形状、色見栄え、酸素化関連血管の外観、血管のバックグラウンドエントロピーを定量化する。 これらの生理学的に動機付けられた記述子は、血管マスク、画像強度、および光密度の測定から派生し、リング全体に集約され、血管特性の空間的変動を捉えている。 提案手法は, 定量的な血管記述子のみを用いて, 3つのパブリック・ファンドス・データセットにまたがる強力な分類性能を達成した。 HRFでは、自動生成された容器マスクを用いて91.1\%の精度を達成し、大規模な網膜基底画像データで事前訓練された視覚変換器であるRETFoundを同じ評価条件でマッチングした。 さらなる分析により、事前訓練された画像モデルは、視野内の基底スケールや網膜位置、より広い非血管画像特性を含む、取得に関連する空間的手がかりに敏感であることが示唆された。 このフレームワークは、大きなタスク固有のトレーニングデータセットを必要とすることなく、解釈可能な疾患分類、定量的網膜表現型解析、網膜バイオマーカー発見をサポートすることができる。

関連論文リスト

• Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
  教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。 再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。 本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
  論文  参考訳（メタデータ） (2026-08-01T04:56:39Z)
• A Deep Convolutional Neural Network-Based Novel Class Balancing for Imbalance Data Segmentation [0.6157382820537719]
  本稿では,網膜基底画像における血管のセグメンテーションを実現するために,深層学習と二層クラスバランスに基づく新しいパイプラインであるBLCB-CNNを提案する。 BLCB-CNNスキームは、CNN(Convolutional Neural Network)アーキテクチャと、コンテナクラスと非コンテナクラスのピクセルの分布のバランスをとるための実証的なアプローチを使用している。 提案手法を標準網膜基底画像で評価し,ROC曲線98.23%以下の領域,96.22%の精度,81.57%の感度,97.65%の特異性など,優れた性能測定を行う。
  論文  参考訳（メタデータ） (2025-06-23T10:15:54Z)
• Progressive Retinal Image Registration via Global and Local Deformable Transformations [49.032894312826244]
  我々はHybridRetinaと呼ばれるハイブリッド登録フレームワークを提案する。 キーポイント検出器とGAMorphと呼ばれる変形ネットワークを用いて、大域的な変換と局所的な変形可能な変換を推定する。 FIREとFLoRI21という2つの広く使われているデータセットの実験により、提案したHybridRetinaは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-02T08:43:50Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• RAVIR: A Dataset and Methodology for the Semantic Segmentation and Quantitative Analysis of Retinal Arteries and Veins in Infrared Reflectance Imaging [7.316426736150123]
  Infrared Reflectance (IR) 画像における網膜動脈と静脈のセグメンテーションのための新しいデータセット RAVIR を提案する。 本稿では,網膜動脈と静脈のセマンティックセグメンテーションのための,新しい深層学習手法を提案する。 本実験は,SegRAVIRの有効性を検証し,最先端モデルと比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2022-03-28T17:30:29Z)
• Parametric Scaling of Preprocessing assisted U-net Architecture for Improvised Retinal Vessel Segmentation [1.3869502085838448]
  本稿では,形態素前処理と拡張U-netアーキテクチャを併用した画像強調手法を提案する。 ROC曲線 (>0.9762) と分類精度 (>95.47%) の領域において、領域内の他のアルゴリズムと比較して顕著な改善が得られた。
  論文  参考訳（メタデータ） (2022-03-18T15:26:05Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Blood vessel segmentation in en-face OCTA images: a frequency based method [3.6055028453181013]
  本稿では,画像の周波数表現に基づく血管識別手法を提案する。 このアルゴリズムは、Cirrus HD-OCTデバイスによって取得された10ドルの眼から得られるOCTA画像データセットに基づいて評価される。
  論文  参考訳（メタデータ） (2021-09-13T16:42:58Z)
• 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)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。