論文の概要: International Multi-Centre Validation of Unsupervised Domain Adaptation for Precise Discrimination between Normal and Abnormal Retinal Development
- arxiv url: http://arxiv.org/abs/2610.21719v1
- Date: Thu, 15 Oct 2026 11:39:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.053637
- Title: International Multi-Centre Validation of Unsupervised Domain Adaptation for Precise Discrimination between Normal and Abnormal Retinal Development
- Title（参考訳）: 正常網膜と異常網膜の精密鑑別のための教師なし領域適応の国際的多中心検証
- Abstract要約: 正常および異常網膜の発生を異なるOCT系で分類するために, 教師なし領域適応モデルを開発し, 評価した。
データはテーブルマウントとハンドヘルドシステムを含む4つのOCTデバイスをカバーした。
ResNet50をベースとしたDomain Adversarial Neural Networkは、ソースデバイスからのラベル付きイメージとターゲットデバイスからの未ラップイメージを使用してトレーニングされた。
- 参考スコア（独自算出の注目度）: 9.794398054588596
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Arrested retinal development can cause childhood visual impairment, but grading optical coherence tomography scans is difficult to standardise across devices and centres. We developed and evaluated an unsupervised domain adaptation model to classify normal and abnormal retinal development across different OCT systems. This retrospective multicentre study used OCT scans from five centres in four countries and the UK Biobank. Data covered four OCT devices, including table mounted and handheld systems. A ResNet50 based Domain Adversarial Neural Network was trained using labelled images from a source device and unlabelled images from a target device. We evaluated six source to target pairings and compared model performance with seven clinician graders. A separate Heidelberg Spectralis dataset was reserved for external evaluation. Across validation sets, accuracy ranged from 87.75% to 96.06%, sensitivity from 88.68% to 98.38%, and specificity from 78.00% to 98.02%. The best performing model, adapted from TM OCT1 to HH OCT1, achieved 96.06% accuracy and an area under the receiver operating characteristic curve of 0.994, with a 95% confidence interval from 0.981 to 0.999. Several models also maintained discrimination on the unseen Heidelberg device. Unsupervised domain adaptation enabled OCT classification across devices without labelled target device data. The approach may support more consistent assessment of retinal development and large scale analysis of existing imaging datasets.
- Abstract（参考訳）: 網膜障害は小児期の視覚障害を引き起こす可能性があるが、光学コヒーレンスCTはデバイスやセンター間で標準化が困難である。
正常および異常網膜の発生を異なるOCT系で分類するために, 教師なし領域適応モデルを開発し, 評価した。
この回顧調査では、4カ国5カ所のOCTスキャンと英国バイオバンクを用いた。
データはテーブルマウントとハンドヘルドシステムを含む4つのOCTデバイスをカバーした。
ResNet50をベースとしたDomain Adversarial Neural Networkは、ソースデバイスからのラベル付きイメージとターゲットデバイスからの未ラップイメージを使用してトレーニングされた。
対象と対象のペアリングを6つ評価し, モデル性能を7年生と比較した。
別個のHeidelberg Spectralisデータセットが外部評価のために予約された。
精度は87.75%から96.06%、感度は88.68%から98.38%、特異度は78.00%から98.02%である。
TM OCT1からHH OCT1に適応した最高の性能モデルは96.06%の精度を達成し、受信機の動作特性曲線は0.994であり、95%の信頼区間は0.981から0.999であった。
いくつかのモデルは、目に見えないハイデルベルク装置の差別も維持した。
教師なしドメイン適応により、対象デバイスデータをラベル付けせずにデバイス間でOCT分類が可能になった。
このアプローチは、網膜発生のより一貫した評価と、既存の画像データセットの大規模解析をサポートする可能性がある。
関連論文リスト
- Anatomy-Aware Unsupervised Detection and Localization of Retinal Abnormalities in Optical Coherence Tomography [4.828654519487229]
教師なしの異常検出フレームワークは、病変のアノテーションなしで正常な網膜解剖の規範的な分布を学習する。
網膜層を意識した3重項学習と構造的三重項学習を併用し,病的表現と健康的表現を分離する。
Kermany データセット (AUROC: 0.799) では,VAE, VQVAE, VQGAN, f-AnoGAN ベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2026-04-24T01:09:05Z) - Performance of a Deep Learning-Based Segmentation Model for Pancreatic Tumors on Public Endoscopic Ultrasound Datasets [2.925528117330222]
膵癌は最も攻撃的ながんの1つであり、生存率も低い。
本研究では, 膵腫瘍に対するVision Transformerを用いたディープラーニングセグメンテーションモデルについて検討した。
論文 参考訳（メタデータ） (2026-01-09T16:48:50Z) - Automated Classification of First-Trimester Fetal Heart Views Using Ultrasound-Specific Self-Supervised Learning [0.205246094017924]
本研究は,第1トリメスター胎児心電図分類のための自己監督型超音波基礎モデルUSF-MAEの評価である。
USF-MAEは、370,000枚以上の未標識超音波画像のマスク付き自己符号化モデルを用いて事前訓練される。
全評価指標で最高性能を達成し、90.57%の精度、91.15%の精度、90.57%のリコール、90.71%のF1スコアを記録した。
論文 参考訳（メタデータ） (2025-12-30T22:24:26Z) - Improved cystic hygroma detection from prenatal imaging using ultrasound-specific self-supervised representation learning [0.18058404137575482]
嚢胞性横隔膜腫(Cystic hygroma)は、高リスク出生前超音波検査で、染色体異常、構造的異常、および妊娠の悪影響を呈する。
本研究は,第1トリメスター超音波画像において,超音波による自己教師付き事前訓練が,嚢胞性肥大症を高精度かつ堅牢に検出するのに役立つかどうかを検証した。
論文 参考訳（メタデータ） (2025-12-28T00:07:26Z) - A Clinician-Friendly Platform for Ophthalmic Image Analysis Without Technical Barriers [51.45596445363302]
GlobeReadyはクリニックフレンドリーなAIプラットフォームで、再トレーニング、微調整、技術専門知識の必要性なしに、基礎疾患の診断を可能にする。
光コヒーレンス・トモグラフィー(OCT)スキャンを用いて、カラー・ファンドス写真(CPF)を用いた11のファンドス病(93.9-98.5%)と15のファンドス病(87.2-92.7%)の精度を示した。
トレーニングなしのローカル機能拡張を活用することで、GlobeReadyプラットフォームは、センターや人口間のドメインシフトを効果的に軽減する。
論文 参考訳（メタデータ） (2025-04-22T14:17:22Z) - Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。
FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。
我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
論文 参考訳（メタデータ） (2024-06-18T03:04:52Z) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳（メタデータ） (2023-04-08T10:47:41Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z)
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。