論文の概要: Augmentation Strategy for DINO in Glaucoma Classification

• arxiv url: http://arxiv.org/abs/2610.32511v1
• Date: Fri, 23 Oct 2026 11:33:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.506995
• Title: Augmentation Strategy for DINO in Glaucoma Classification
• Title（参考訳）: 緑内障分類におけるDINOの増強戦略
• Abstract要約: 自己教師付き学習(SSL)は、医用画像表現学習に有望なアプローチを提供する。 我々は知識蒸留に基づくSSLフレームワークであるDINOを分析し、そのデフォルトの拡張戦略が網膜基底画像に対して信頼できない表現を生成することを実証的に実証した。 我々のアプローチは、低レベル画像統計よりも診断的に重要な特徴に対する学習された表現に偏っている。
• 参考スコア（独自算出の注目度）: 13.788117642665783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised learning (SSL) offers a promising approach to medical image representation learning, yet augmentation strategies of SSL frameworks validated on natural images do not reliably transfer to specialized medical imaging domains. We analyze DINO, a knowledge-distillation based SSL framework, and empirically demonstrate that its default augmentation strategy produces unreliable representations for retinal fundus images, degrading downstream glaucoma classification performance. Guided by the principle that effective cropped views should share minimal redundant information while retaining clinically relevant signal, we redesign DINO's augmentation strategy. Our approach biases the learned representations toward diagnostically critical features rather than low-level image statistics. We evaluate our method for glaucoma classification by training a linear classifier on the frozen representations, achieving strong generalization across seven benchmark datasets. URL for code and weights: https://github.com/ashish-256/task_dino
• Abstract（参考訳）: 自己教師付き学習(SSL)は、医用画像表現学習に対する有望なアプローチを提供するが、自然画像上で検証されたSSLフレームワークの強化戦略は、特定の医用画像領域に確実に移行しない。 知識蒸留ベースのSSLフレームワークであるDINOを解析し、そのデフォルトの拡張戦略が網膜基底画像の信頼性の低い表現を生成することを実証し、下流緑内障分類性能の低下を実証した。 有効刈り取られた視点は、臨床的に関連のある信号を保持しながら、最小限の冗長な情報を共有すべきという原則に導かれ、我々は、DINOの強化戦略を再考する。 我々のアプローチは、低レベル画像統計よりも診断的に重要な特徴に対する学習された表現に偏っている。 凍結表現に対する線形分類器の訓練により緑内障分類法を評価し、7つのベンチマークデータセットに対して強力な一般化を実現する。 URL for code and weights: https://github.com/ashish-256/task_dino

関連論文リスト

• Domain-Specific Self-Supervised Representation Learning for Retinal Fundus Classification [0.0]
  自己教師付き学習は、ラベルのないデータから有用な表現を学ぶための有望な代替手段として登場した。 本研究では,眼底画像からの網膜疾患分類のためのSSLフレームワークSimSiamとSimCLRについて検討する。 網膜画像の特徴に対する改善戦略の調整が,性能向上に重要な役割を担っていることを示す。
  論文  参考訳（メタデータ） (2026-08-27T06:44:04Z)
• PRETI: Patient-Aware Retinal Foundation Model via Metadata-Guided Representation Learning [3.771396977579353]
  PreTIは、メタデータ認識学習と堅牢な自己教師付き表現学習を統合した網膜基盤モデルである。 患者レベルのデータペアを構築し、同一人物の画像を関連付けることにより、非臨床的変動に対する堅牢性を向上させる。 実験では、PreTIは様々な疾患やバイオマーカー予測にまたがって最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2025-05-18T04:59:03Z)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• k-SALSA: k-anonymous synthetic averaging of retinal images via local style alignment [6.36950432352094]
  我々は,網膜基底像を合成するためのGANベースのフレームワークであるk-SALSAを紹介する。 k-SALSAは、網膜画像の実用的なパフォーマンスを達成するために、GANのトレーニングと反転のための最先端技術を組み合わせている。 我々の研究は、科学的コラボレーションのための網膜画像のより広範な共有に向けた一歩である。
  論文  参考訳（メタデータ） (2023-03-20T01:47:04Z)
• PCRLv2: A Unified Visual Information Preservation Framework for Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
  本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。 また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。 提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
  論文  参考訳（メタデータ） (2023-01-02T17:47:27Z)
• Lesion-Aware Contrastive Representation Learning for Histopathology Whole Slide Images Analysis [16.264758789726223]
  本稿では,スライド画像解析の病理組織学的手法として,Lesion-Aware Contrastive Learning (LACL) という新しいコントラスト表現学習フレームワークを提案する。 実験の結果,LACLは異なるデータセット上での組織像表現学習において,最高の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-06-27T08:39:51Z)
• Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
  我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。 予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T19:05:06Z)
• Contrastive learning of global and local features for medical image segmentation with limited annotations [10.238403787504756]
  教師付きディープラーニングの成功のための重要な要件は、大きなラベル付きデータセットである。 半教師付き環境での医用画像のセグメンテーションのためのコントラスト学習フレームワークの拡張戦略を提案する。 限定的なアノテーション設定では、提案手法は、他の自己超越的および半教師付き学習技術と比較して大幅に改善される。
  論文  参考訳（メタデータ） (2020-06-18T13:31:26Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。