論文の概要: Robust retinal biometrics for patient identity verification and retrieval across age and imaging devices

• arxiv url: http://arxiv.org/abs/2608.31094v1
• Date: Mon, 31 Aug 2026 17:02:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.530485
• Title: Robust retinal biometrics for patient identity verification and retrieval across age and imaging devices
• Title（参考訳）: ロバスト網膜生体計測による高齢者の身元確認と年齢・画像装置間の検索
• Abstract要約: 患者のアイデンティティエラーは、縦断的な医療記録、研究データベース、下流の臨床的決定を損なう可能性がある。 請求項の正当性を検証し,色眼底画像から正当性を検索するための網膜生体計測システムを提案する。
• 参考スコア（独自算出の注目度）: 0.1666115351439618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patient identity errors can compromise longitudinal medical records, research databases, and downstream clinical decisions. We present a retinal biometric system for verifying claimed identities and retrieving the correct identity from color fundus images. We trained a 512-dimensional metric-learning encoder combining a ConvNeXtV2 backbone with ArcFace and triplet losses on 227,004 images from 21,851 patient-eye identities in the Rotterdam Study, spanning multiple imaging devices and up to 32.6 years of follow-up. The system was evaluated on held-out Rotterdam Study data and externally on the UK Biobank and Age-Related Eye Disease Study (AREDS). Before evaluation, we used the model to screen for identity inconsistencies and manually adjudicated flagged images, identifying incorrect assignments in 0.588% of Rotterdam Study images, 0.259% of UK Biobank images, and 0.164% of AREDS images. In retrospective-only verification after removing near-duplicate images, the system achieved AUROCs of 0.9998, 0.9997, and 0.9998 in the Rotterdam Study, UK Biobank, and AREDS, respectively. For identity retrieval using only previously acquired images, Recall@1 was 99.7%, 97.2%, and 97.6%, respectively, from galleries averaging 4436-8510 identities; the correct identity appeared among the top five results in at least 98.6% of cases. Performance remained robust across imaging devices and long follow-up intervals, while lower image quality and inconsistent retinal fields accounted for most failures. These findings establish retinal anatomy as a durable biometric signal, useful for safeguarding the integrity of longitudinal imaging records.
• Abstract（参考訳）: 患者のアイデンティティエラーは、縦断的な医療記録、研究データベース、下流の臨床的決定を損なう可能性がある。 請求項の正当性を検証し,色眼底画像から正当性を検索するための網膜生体計測システムを提案する。 ロッテルダム研究の21,851人の患者眼の227,004枚の画像に対して,ConvNeXtV2バックボーンとArcFaceを併用した512次元距離学習エンコーダを訓練した。 このシステムはRotterdam Studyのデータに基づいて評価され、Biobank and Age-Related Eye Disease Study (AREDS)で外部的に評価された。 評価に先立ち,ロタダム研究画像の0.588%,英国バイオバンク画像の0.259%,AREDS画像の0.164%で不正な代入を識別した。 ほぼ重複画像の除去後の振り返りのみの検証において、このシステムはロッテルダム研究(英語版)、英国バイオバンク(英語版)、AREDS(英語版)でそれぞれ0.9998、0.9997、0.9998のAUROCを達成した。 Recall@1は99.7%、97.2%、97.6%で、平均4436-8510のアイデンティティを持つギャラリーから取得した。 画像装置全体と長時間のフォローアップ間隔で性能は安定していたが、画質の低下と網膜野の不整合がほとんどの障害の原因となった。 以上の結果より, 網膜解剖は長手画像記録の完全性を守るのに有用である, 生体信号として有用であることが示唆された。

関連論文リスト

• AI-generated Images Challenge Visual Trust in High-risk Scenarios [79.40239296310791]
  SafeIMGは、GPT Image 2.0を用いて生成された12のパブリックおよび個人安全シナリオにまたがる安全指向のベンチマークである。 SafeIMGは、検出器が合成画像を認識するかどうかを評価するだけでなく、それらの決定が人間の識別された異常を反映しているかどうかも評価する。 我々は,特殊合成画像検出器と視覚言語モデル(VLM)を評価し,どちらも信頼性のある検出を提供していないことを発見した。
  論文  参考訳（メタデータ） (2026-07-23T06:56:49Z)
• When AI and Experts Agree on Error: Intrinsic Ambiguity in Dermatoscopic Images [37.92086450087161]
  我々は、すべてのCNNアーキテクチャで体系的に誤って分類された画像のサブセットを分離した。 専門の皮膚科医は、これらの課題を対照群と共に評価した。 結果,AIミス分類画像の診断性能は低下した。 両システム障害の原原因は画像品質であった。
  論文  参考訳（メタデータ） (2026-04-01T09:01:43Z)
• OpticalDR: A Deep Optical Imaging Model for Privacy-Protective Depression Recognition [66.91236298878383]
  抑うつ認識(DR)は、特にプライバシー上の懸念の文脈において、大きな課題となる。 我々は,疾患関連特徴を保持しつつ,撮像した顔画像の識別情報を消去する新しいイメージングシステムを設計した。 正確なDRに必要な本態性疾患の特徴を保ちながら、アイデンティティ情報の回復には不可逆である。
  論文  参考訳（メタデータ） (2024-02-29T01:20:29Z)
• GraVIS: Grouping Augmented Views from Independent Sources for Dermatology Analysis [52.04899592688968]
  皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。 GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
  論文  参考訳（メタデータ） (2023-01-11T11:38:37Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• 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)
• An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
  基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。 画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。 我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:14:15Z)
• Early Blindness Detection Based on Retinal Images Using Ensemble Learning [2.099922236065961]
  糖尿病網膜症は、世界中の成人の視覚障害の主要な原因である。 デジタル画像処理(DIP)と機械学習(ML)の分野における最近の進歩は、この点において機械の使用方法の道を開いた。 本研究では、アンサンブル学習アルゴリズムを用いて網膜画像から抽出した色情報に基づいて、新しい早期盲検検出法を提案する。
  論文  参考訳（メタデータ） (2020-06-12T21:16:21Z)
• Pathological myopia classification with simultaneous lesion segmentation using deep learning [16.456009188497823]
  最近導入されたPathologicalal Myopiaデータセットのために開発された畳み込みニューラルネットワークの結果に関する調査報告 我々は,新しい視神経頭(ONH)による萎縮と葉のセグメンテーションの予測法を提案する。
  論文  参考訳（メタデータ） (2020-06-04T12:21:06Z)
• Human Recognition Using Face in Computed Tomography [26.435782518817295]
  本稿では、ROI抽出のための3次元顔のランドマークを最初に検出し、自動認識に使用する2次元深度画像を生成する自動処理パイプラインを提案する。 提案手法は,92.53%の1:56同定精度と96.12%の1:1検証精度を達成し,他の競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-05-28T18:59:59Z)

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。