論文の概要: HierarchiRetina: A Diabetic Retinopathy Screening and Grading Cascade with Heterogeneous Mixture-of-Experts Lesion Segmentation
- arxiv url: http://arxiv.org/abs/2610.17933v1
- Date: Tue, 13 Oct 2026 08:19:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 08:10:30.472903
- Title: HierarchiRetina: A Diabetic Retinopathy Screening and Grading Cascade with Heterogeneous Mixture-of-Experts Lesion Segmentation
- Title（参考訳）: HierarchiRetina : Heterogeneous Mixture-of-Experts Lesion Segmentation を用いた糖尿病網膜症のスクリーニングとグレーディングカスケード
- Abstract要約: HierarchiRetinaは検査可能なステージ出力を備えたスクリーニング、セグメンテーション、グレーディングカスケードである。
HSMoE-AUNetは、スキップ、ボトルネック、デコーダブロックが異種専門家のまばらな混合であるU-Netである。
LG-DRGは、経常的重症度からグレードビリティを分離し、病変マスクがクロスアテンションを通して画像に問い合わせることを可能にする。
- 参考スコア（独自算出の注目度）: 0.5949779668853556
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical screening for diabetic retinopathy proceeds in stages, yet most automated systems grade fundus images with a single black-box network. Three gaps remain: (i) lesions differ widely in size and contrast, but segmenters typically apply the same blocks to all; (ii) ungradable images are usually excluded or treated as an extra class, and lesion-aware graders seldom test whether lesions drive the grade; (iii) staged systems often report each stage only on the images reaching it, leaving propagated errors unmeasured. HierarchiRetina, a screening, segmentation and grading cascade with inspectable stage outputs, addresses each gap. First, HSMoE-AUNet is a U-Net whose skip, bottleneck and decoder blocks are sparse mixtures of heterogeneous experts, with lesion-matched types, counts and losses; SwinHRUNetPP, a dual-encoder vessel segmenter, uses a field-of-view-restricted loss. Second, LG-DRG separates gradability from ordinal severity and lets lesion masks query the image through gated cross-attention. Third, an end-to-end evaluation counts screening misses as errors and traces each error to its stage. Pooled Dice ranged from 0.184 (microaneurysms) to 0.579 (exudates); vessel Dice was 0.731. On 58,689 held-out images from six datasets, end-to-end quadratic weighted kappa was 0.804, with referral sensitivity 0.832 at specificity 0.947, and the screening gate caused 66% of errors. In ablations, the grade ignored the masks, even with the cross-attention gate started open. On all 4,105 official DDR test images, six-class accuracy was 85.6%, above the best published six-class result we found (83.8%). Staged screening systems should be evaluated end-to-end, with stage attribution and mask ablation, before clinical deployment.
- Abstract（参考訳）: 糖尿病網膜症の臨床スクリーニングは段階的に進行するが、ほとんどの自動化されたシステムは単一のブラックボックスネットワークで基底画像を評価する。
3つのギャップが残っている。
i) 病変の大きさとコントラストは様々であるが, セグメンタは一般的に, すべてに同じブロックを施す。
(ii)非分解性画像は、通常、余分な分類として除外されるか、扱われるが、病変がグレードを駆動するかどうかの検査はめったに行われない。
第三に、段階的なシステムは、到達した画像にのみ各ステージを報告し、伝播エラーを未測定のまま残すことが多い。
検査可能なステージ出力を備えたスクリーニング、セグメンテーション、グレーディングカスケードであるHierarchiRetinaは、各ギャップに対処する。
まず、HSMoE-AUNetは、スキップ、ボトルネック、デコーダブロックが、病変にマッチした型、カウント、損失を持つ異種の専門家の疎結合であるU-Netである。
第二に、LG-DRGは経常的重症度からグレードビリティを分離し、病変マスクがゲートクロスアテンションを通じて画像に問い合わせることを可能にする。
第3に、エンドツーエンドの評価では、スクリーニングミスをエラーとしてカウントし、各エラーをステージにトレースする。
冷却されたDiceは0.184 (microaneurysms) から0.579 (exudates) まで変化し、Dice は 0.731 であった。
6つのデータセットの58,689枚のホールドアウト画像では、終端から終端までの重み付きカッパは0.804で、参照感度は0.947で0.832であり、スクリーニングゲートは66%のエラーを引き起こした。
アブレーションでは、クロスアテンションゲートが開いても、グレードはマスクを無視しました。
公式の4,105枚のDDRテスト画像では、6級の精度は85.6%であり、最も優れた6級の結果(83.8%)を上回った。
段階的スクリーニングシステムは, 臨床展開前に, 段階的帰属とマスクアブレーションを伴って, エンドツーエンドで評価すべきである。
関連論文リスト
- Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。
我々は解剖学的参照としてFastSurferセグメンテーションを使用します。
私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
論文 参考訳（メタデータ） (2026-09-14T17:13:12Z) - Synthetic Leprosy Image Generation Using Mask-Conditioned Latent Diffusion and Transfer Learning from Large Chronic Wound Datasets [0.0]
無視された熱帯病に対する機械学習は、アルゴリズムではなくデータによって制限される。
大量の慢性創傷写真を訓練したモデルがこの低データ体制に移行するかどうかを問う。
約150人の764枚の画像から得られた708枚のレプロシー画像とマスクのペアについて、このモデルを微調整する。
論文 参考訳（メタデータ） (2026-09-01T10:59:06Z) - TRIAGE: Risk-Controlled Pseudo-Label Admission for Annotation-Efficient Semi-Supervised Retinal OCT Classification [0.6213771671016098]
本稿では,OCTスキャン分類のためのリスク制御型半教師付きフレームワークTRIAGEを提案する。
ノアアイ病院(Bスキャン16,822人、161人、554巻)のデータセットで、TRIAGEは89.66%のスキャンレベルの精度、0.8805のマクロF1、0.9641のマクロAUC、そして8.34%の下位グレードレートを示している。
論文 参考訳（メタデータ） (2026-08-14T14:06:48Z) - MalariAI: A Label-Resilient Decoupled Framework for Universal Cell Segmentation and Explainable Stage Classification in Dense Malaria Blood Smears [0.0]
血液スミア顕微鏡によるマラリアの診断は、グローバルヘルスAIにとって重要な課題である。
3つの複合的障害モードは、既存のディープラーニングシステムの信頼性の高い臨床展開を防ぐ。
統一パイプラインにおける3つの障害モードすべてに対処する、2段階の分離フレームワークであるMarariAIを紹介します。
論文 参考訳（メタデータ） (2026-07-01T03:27:04Z) - Vision-Language Models as Zero-Annotation Oracles in Histopathology [10.853300035340615]
フォアグラウンドセグメンテーションは、全ての計算病理パイプラインの重要な第一歩である。
本稿では,前景のセグメンテーションを視覚認知タスクとして再キャストする粗大なアプローチを提案する。
私たちのフレームワークは、デジタル病理学における永続的なインフラストラクチャボトルネックに対して、原則的かつスケーラブルなソリューションを提供します。
論文 参考訳（メタデータ） (2026-06-15T12:50:19Z) - Medical thinking with multiple images [44.04557445622649]
我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。
データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。
テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
論文 参考訳（メタデータ） (2026-04-14T18:51:07Z) - 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) - Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - Deep Unsupervised Anomaly Detection in Brain Imaging: Large-Scale Benchmarking and Bias Analysis [42.60508892284938]
脳画像の深部教師なし異常検出のための大規模マルチセンターベンチマークを提案する。
健康なデータセットと多様な臨床コホートにまたがる2,221T1wと1,262T2wのスキャンを行った。
我々のベンチマークは今後の研究の透明な基盤を確立し、臨床翻訳の優先順位を強調している。
論文 参考訳（メタデータ） (2025-12-01T11:03:27Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.76736949127792]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - 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)
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。