論文の概要: Attention-Enhanced Deep Features with Heterogeneous Ensemble Learning for Glaucoma Detection

• arxiv url: http://arxiv.org/abs/2609.06699v1
• Date: Sun, 06 Sep 2026 16:17:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.296188
• Title: Attention-Enhanced Deep Features with Heterogeneous Ensemble Learning for Glaucoma Detection
• Title（参考訳）: 緑内障検出のための不均一アンサンブル学習による注意力増強深部特徴
• Abstract要約: 緑内障は進行性視神経症であり、視神経に不可逆的な損傷を特徴とする。 本稿では,注目度の高い深部特徴抽出と異種アンサンブル学習を統合したハイブリッド緑内障検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Glaucoma is a progressive optic neuropathy characterized by irreversible damage to the optic nerve, making timely diagnosis critical to prevent permanent vision loss. Although deep learning has demonstrated promising performance in automated glaucoma detection, existing approaches often overlook feature refinement, suffer from class imbalance, and rely on individual classifiers that limit prediction robustness. To address these challenges, this paper proposes a hybrid glaucoma detection framework that integrates attention-enhanced deep feature extraction with heterogeneous ensemble learning. Specifically, deep representations are extracted using InceptionV3 and subsequently refined by incorporating the Convolutional Block Attention Module (CBAM) to enhance discriminative retinal features. To improve classification robustness, the extracted features are classified using multiple machine learning models together with Single-Level Ensemble (SLE) and Double-Level Ensemble (DLE) strategies, while SMOTE combined with Tomek Links (SMOTE+TL) is employed to alleviate class imbalance. Furthermore, a systematic comparison of handcrafted, deep, and attention-enhanced deep feature representations is conducted. Experimental evaluation on two public retinal fundus datasets demonstrates that deep feature-based methods consistently outperform handcrafted feature-based methods, while the proposed attention-enhanced framework achieves the best overall performance. Furthermore, Grad-CAM visualizations confirm that the proposed model focuses on clinically relevant retinal regions, providing interpretable evidence on the model's prediction process.
• Abstract（参考訳）: 緑内障は視神経に不可逆的な損傷を特徴とする進行性視神経症であり、永久的な視力喪失を防ぐためにタイムリーな診断が重要である。 ディープラーニングは、自動緑内障検出において有望な性能を示したが、既存のアプローチは、しばしば機能の洗練を見落とし、クラス不均衡に悩まされ、予測の堅牢性を制限する個別の分類器に依存している。 これらの課題に対処するために,注目度の高い深層特徴抽出と異種アンサンブル学習を統合したハイブリッド緑内障検出フレームワークを提案する。 具体的には、深い表現はInceptionV3を用いて抽出され、その後 Convolutional Block Attention Module (CBAM) を組み込んで識別性網膜機能を強化することで洗練される。 分類ロバスト性を改善するために、抽出した特徴をSLE(Single-Level Ensemble)とDLE(Double-Level Ensemble)戦略とともに複数の機械学習モデルを用いて分類し、SMOTEとTomek Links(SMOTE+TL)を組み合わせてクラス不均衡を軽減する。 さらに,手作り,ディープ,アテンションを付加したディープ特徴表現の体系的比較を行った。 2つのパブリック網膜基底データセットに対する実験的評価は、深部特徴ベース手法が手作り特徴ベース手法より一貫して優れており、提案した注目度向上フレームワークは、全体的なパフォーマンスを最高のものにしていることを示している。 さらに、Grad-CAM視覚化では、提案モデルは臨床的に関連のある網膜領域に焦点を当てており、モデルの予測過程に関する解釈可能な証拠を提供する。

関連論文リスト

• UniV2D: Bridging Visual Restoration and Semantic Perception for Underwater Salient Object Detection [71.83097731030254]
  視覚的回復と有能な物体検出を協調的に最適化するUnified Vision-to-Detection Network (UniV2D)を提案する。 UniV2Dは、セマンティック駆動学習パラダイムを導入している。 定量評価と定性評価の両方において最先端の手法を著しく上回る。
  論文  参考訳（メタデータ） (2026-05-08T02:31:45Z)
• Fundus Image-based Glaucoma Screening via Retinal Knowledge-Oriented Dynamic Multi-Level Feature Integration [29.89152706520972]
  本稿では,動的マルチスケール特徴学習とドメイン固有網膜前駆体を統合した知識指向緑内障スクリーニングフレームワークを提案する。 動的ウィンドウ機構は、診断情報領域を適応的に識別するために考案された。 知識強化畳み込み注意モジュールは、事前訓練された基礎モデルから抽出された網膜前駆体を組み込んで注意学習を誘導する。
  論文  参考訳（メタデータ） (2026-04-14T06:38:42Z)
• Deep Expert Injection for Anchoring Retinal VLMs with Domain-Specific Knowledge [66.67024684187915]
  LVLM(Large Vision Language Models)は、眼科における自動診断の可能性を秘めている。 彼らの臨床展開は、ドメイン固有の知識の欠如によって著しく妨げられている。 EyExInは、Deep Expert Injectionメカニズムを通じて専門知識で網膜VLMを固定するように設計されたフレームワークである。
  論文  参考訳（メタデータ） (2026-03-07T09:43:49Z)
• DNA: Uncovering Universal Latent Forgery Knowledge [39.19379714306656]
  フォージェリ検出機能は、すでにトレーニング済みのモデル内にエンコードされている。 DNAフレームワークは粗大な発掘機構を採用している。 Hifi-Genは、最新のモデルの上に構築された高忠実度合成ベンチマークである。
  論文  参考訳（メタデータ） (2026-01-30T03:48:30Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Robust Multi-Disease Retinal Classification via Xception-Based Transfer Learning and W-Net Vessel Segmentation [0.0]
  本稿では,眼疾患の自動診断のためのディープラーニングアーキテクチャに関する総合的研究について述べる。 深い特徴抽出と解釈可能な画像処理モジュールを組み合わせたパイプラインを実装した。 臨床形態学的特徴のモデル予測を基礎として,アルゴリズム出力と専門的医学的検証のギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2025-12-11T13:03:03Z)
• Attention Pooling Enhances NCA-based Classification of Microscopy Images [45.60974312463409]
  我々は、特徴抽出を強化し、分類精度を向上させるために、ニューラルセルオートマタとアテンションプーリングを統合した。 8種類の顕微鏡画像データセットを用いて本手法の評価を行い,提案手法が既存のNAA法より有意に優れていることを示す。 本結果は,NAAモデルが説明可能な画像分類の代替となる可能性を強調した。
  論文  参考訳（メタデータ） (2025-08-17T10:46:53Z)
• RURANET++: An Unsupervised Learning Method for Diabetic Macular Edema Based on SCSE Attention Mechanisms and Dynamic Multi-Projection Head Clustering [13.423253964156117]
  RURANET++は、糖尿病黄斑浮腫(DME)の教師なし学習に基づく自動診断システムである 特徴処理中、トレーニング済みのGoogLeNetモデルは網膜画像から深い特徴を抽出し、PCAベースの次元を50次元に減らして計算効率を向上する。 実験の結果,複数の測定値に対して優れた性能を示し,最大精度(0.8411),精度(0.8593),リコール(0.8411),F1スコアを異常なクラスタリング品質で達成した。
  論文  参考訳（メタデータ） (2025-02-27T16:06:57Z)
• Self-Calibrated Dual Contrasting for Annotation-Efficient Bacteria Raman Spectroscopy Clustering and Classification [11.586869210490628]
  本稿では,Ramanスペクトル認識のためのアノテーション効率の良い自己校正デュアルコントラスト(SCDC)法を提案する。 我々のコアモチベーションは、2つの異なる部分空間における2つの異なる視点からのスペクトルを表現することである。 差別的表現を得るために,2つの視点から2つのコントラスト学習手法を実装した。
  論文  参考訳（メタデータ） (2024-12-28T07:27:51Z)
• CREST: Cross-modal Resonance through Evidential Deep Learning for Enhanced Zero-Shot Learning [48.46511584490582]
  ゼロショット学習(ZSL)は、既知のカテゴリから未知のカテゴリへのセマンティックな知識伝達を活用することで、新しいクラスの認識を可能にする。 分布不均衡や属性共起といった現実世界の課題は、画像の局所的なばらつきの識別を妨げる。 これらの課題を克服するために、双方向のクロスモーダルZSLアプローチCRESTを提案する。
  論文  参考訳（メタデータ） (2024-04-15T10:19:39Z)
• Circumpapillary OCT-Focused Hybrid Learning for Glaucoma Grading Using Tailored Prototypical Neural Networks [1.1601676598120785]
  緑内障は世界の視覚障害の主要な原因の1つである。 生の毛細血管Bスキャンを用いて緑内障を診断する新しい枠組みを初めて提案する。 特に,手動学習と深層学習を組み合わせた新しいOCTベースのハイブリッドネットワークを構築した。
  論文  参考訳（メタデータ） (2021-06-25T10:53:01Z)

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。