論文の概要: CFCH: Coarse-Fine Collaborative Hierarchical Learning for Anterior Segment Disease Analysis

• arxiv url: http://arxiv.org/abs/2609.32559v1
• Date: Sat, 26 Sep 2026 12:33:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 06:26:35.434373
• Title: CFCH: Coarse-Fine Collaborative Hierarchical Learning for Anterior Segment Disease Analysis
• Title（参考訳）: CFCH : 前節部疾患解析のための粗結合型階層学習
• Abstract要約: 本稿では,解剖学的文脈と病的意味論を明示的にモデル化する階層型協調型階層学習フレームワークを提案する。 効果的に粒度間の協調を可能にするため、CFCHは意味的および粒度間の注目一貫性の制約を導入する。 8975枚の画像が12の共通疾患カテゴリをカバーする大規模前方セグメントデータセットであるAS-9Kを構築した。
• 参考スコア（独自算出の注目度）: 11.546403906348617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate classification of anterior segment diseases is crucial for ophthalmic screening and diagnosis. However, slit-lamp image analysis remains challenging due to substantial variability in imaging conditions and the intrinsic anatomical-disease hierarchy of ocular pathologies. Existing methods typically formulate this task as a flat multi-class classification problem, ignoring the structured dependency between anatomical regions (e.g., cornea, conjunctiva, and lens) and disease manifestations.To address these limitations, we propose CFCH, a Coarse-Fine Collaborative Hierarchical learning framework that explicitly models anatomical context and disease semantics through a dual-branch architecture. To enable effective cross-granularity collaboration, CFCH introduces semantic and cross-granularity attention consistency constraints, encouraging aligned yet complementary feature learning across branches. In addition, we construct AS-9K, a large-scale anterior segment dataset with 8975 images covering 12 common disease categories. To the best of our knowledge, AS-9K is the largest publicly available dataset for anterior segment image classification. Extensive experiments on two anterior segment datasets demonstrate that CFCH outperforms state-of-the-art methods. Qualitative visualizations further show more focused and lesion-relevant activation responses, validating the effectiveness of the proposed framework. Code will be available at https://github.com/ybupengwang/CFCH.
• Abstract（参考訳）: 前節疾患の正確な分類は、眼科検診および診断に不可欠である。 しかし、スリット・ランプ画像解析は、画像条件や内因性眼疾患の解剖学的・解離の階層がかなり異なるため、依然として困難である。 既存の手法では、このタスクをフラットなマルチクラス分類問題として定式化し、解剖学的領域(例えば、角膜、結膜、レンズ)と疾患の顕在化を無視する。 効果的に粒度間のコラボレーションを可能にするため、CFCHはセマンティックと粒度間の注意の一貫性の制約を導入し、ブランチ間の整合性はあるが相補的な特徴学習を奨励する。 さらに,12の共通疾患カテゴリをカバーする8975の画像を含む大規模前方セグメントデータセットであるAS-9Kを構築した。 我々の知る限り、AS-9Kは前方セグメント画像分類のための公開データセットとしては最大である。 2つの前部セグメントデータセットに対する大規模な実験は、CFCHが最先端の手法より優れていることを示した。 質的な可視化により、より集中的かつ病変関連アクティベーション応答が示され、提案フレームワークの有効性が検証された。 コードはhttps://github.com/ybupengwang/CFCH.comから入手できる。

関連論文リスト

• Hierarchy-Aware and Anatomy-Guided Learning for Lung Ultrasound Video Classification [2.347521278352654]
  肺超音波 (LUS) は、心不全や腎機能障害によるリスクのある患者の肺浮腫を評価するためのベッドサイドツールである。 階層型学習と解剖学誘導学習の2つのコンポーネントを探索する多クラスLUSビデオ分類のためのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-20T04:55:28Z)
• SAIL: Structure-Aware Interpretable Learning for Anatomy-Aligned Post-hoc Explanations in OCT [14.34264989195413]
  深層学習(DL)は、OCTベースの網膜疾患検出において専門家レベルの精度を達成したが、その「黒い箱」の性質は、臨床応用の課題となっている。 既存のポストホックな説明可能なAI(XAI)メソッドは、きめ細かい病変構造を規定したり、解剖学的境界を尊重したり、ノイズを抑えるのに苦労することが多い。 本稿では、網膜解剖学の先行情報を表現レベルで統合し、それらを意味的特徴と結合する構造認識解釈学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-04T15:13:47Z)
• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• TopoCL: Topological Contrastive Learning for Medical Imaging [13.944892759807473]
  TopoCLは、医用画像のコントラスト学習において、トポロジカルな構造を明示的に活用する。 TopoCLは、統計学的に重要な線形プローブ分類の精度で+3.26%の平均的な向上を達成している。
  論文  参考訳（メタデータ） (2026-03-15T23:03:53Z)
• 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)
• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)
• Cross Chest Graph for Disease Diagnosis with Structural Relational Reasoning [2.7148274921314615]
  X線画像のコンピュータ診断において位置病変は重要である。 一般に弱教師付き手法はX線像の特性を考慮できなかった。 自動病変検出の性能を向上させるCross-chest Graph (CCG)を提案する。
  論文  参考訳（メタデータ） (2021-01-22T08:24:04Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。