論文の概要: Learning Pathology-Sensitive Representations for Unsupervised Retinal OCT Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.33143v1
• Date: Fri, 23 Oct 2026 16:50:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.258796
• Title: Learning Pathology-Sensitive Representations for Unsupervised Retinal OCT Anomaly Detection
• Title（参考訳）: 教師なし網膜 OCT 異常検出のための学習病理学的感応的表現法
• Abstract要約: 網膜光コヒーレンス断層撮影の異常検出と局所化のための教師なしフレームワークを提案する。 未確認網膜異常の検出と局在に及ぼす事前訓練戦略,解剖学的適応,および異常スコアリング機構の影響について検討した。 正常な網膜構造に事前訓練した表現を適応させることで異常感度が向上し,画素空間再構成誤差や特徴空間偏差が相補的信号として有用であることが示唆された。
• 参考スコア（独自算出の注目度）: 4.0838395125072084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning approaches for retinal optical coherence tomography (OCT) predominantly rely on predefined disease categories, limiting their ability to detect rare or previously unseen abnormalities. While visual foundation models provide transferable representations, their effectiveness in identifying pathological deviations from normal retinal anatomy remains insufficiently understood. In this work, we introduce an unsupervised framework for retinal OCT anomaly detection and localization that adapts pretrained visual representations to normal retinal anatomy through anatomy-aware reconstruction and contrastive triplet learning guided by synthetic structural perturbations, without requiring disease-specific annotations. We systematically investigate the influence of pretraining strategies, anatomy-aware representation adaptation, and anomaly scoring mechanisms on the detection and localization of unseen retinal abnormalities. Our findings demonstrate that adapting pretrained representations to normal retinal structure improves anomaly sensitivity, while pixel-space reconstruction errors and feature-space deviations provide complementary signals for identifying pathological changes. These findings underscore the importance of anatomy-aware representation learning and offer insights into developing generalizable retinal anomaly detection frameworks beyond predefined disease categories.
• Abstract（参考訳）: 網膜光コヒーレンス断層撮影(OCT)の深層学習アプローチは、主に定義済みの疾患カテゴリーに依存しており、まれまたは以前には見られなかった異常を検出する能力を制限する。 視覚基盤モデルは伝達可能な表現を提供するが、正常な網膜解剖学からの病理学的逸脱を識別する効果は十分に理解されていない。 本研究は, 疾患特異的なアノテーションを必要とせず, 合成構造的摂動によって誘導される解剖学的再構成と対照的な三重項学習を通じて, 正常な網膜解剖に事前学習された視覚表現を適応させる, 網膜CT異常検出および局所化のための教師なしフレームワークを提案する。 本研究は,未確認網膜異常の検出と局在に及ぼす事前学習方略,解剖学的適応,および異常スコアリング機構の影響を系統的に検討した。 正常な網膜構造に事前訓練した表現を適応させることで異常感度が向上し,画素空間再構成誤差や特徴空間偏差が相補的信号として有用であることが示唆された。 これらの知見は、解剖学的に認識される表現学習の重要性を浮き彫りにして、事前に定義された疾患のカテゴリを超えて、一般化可能な網膜異常検出フレームワークを開発するための洞察を提供する。

関連論文リスト

• Reconstruction-Shift Discrimination via Mask-Guided Latent Diffusion for Medical Anomaly Detection [58.92871907037662]
  教師なしの医学的異常検出は、正常な訓練画像から正常な解剖パターンを学習し、テスト時の偏差を識別する。 再構成に基づく拡散に基づく手法は、通常、入力画像とその再構成の違いを異常な証拠として利用する。 本研究は,残差に基づく局所化と再構成-シフト判別を補完する医用異常検出フレームワークであるDMDを提案する。
  論文  参考訳（メタデータ） (2026-08-01T04:56:39Z)
• 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)
• 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)
• 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)
• Hierarchical Attention for Sparse Volumetric Anomaly Detection in Subclinical Keratoconus [0.0]
  階層アーキテクチャーは21～23%の感度と特異性を実現します。 力学解析は、この利点が空間スケールのアライメントから生じることを示唆している。 サブクリニカルケースは、健康的または過剰な病理学的ボリュームよりも長い空間的な統合を必要とする。
  論文  参考訳（メタデータ） (2025-12-03T01:20:13Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• Visual Analytics for Early Detection of Retinal Diseases [0.7734726150561088]
  網膜疾患の初期の段階では、網膜の小さな局所的な構造変化の同定と解析は依然として課題である。 本稿では, 単一および複数症例における早期網膜変化のインタラクティブな探索のための新しい視覚分析手法の概要について述べる。 我々は,眼科の研究者や産業界の専門家との密接なコラボレーションにより,これらのアプローチを開発した。
  論文  参考訳（メタデータ） (2022-12-13T09:32:47Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Learning Global and Local Features of Normal Brain Anatomy for Unsupervised Abnormality Detection [35.15777802684473]
  脳磁気共鳴画像における画素ワイド異常検出のための教師なし学習フレームワークを実証した。 画像再構成ネットワークが正常な解剖のグローバルな特徴を忠実に再現できるなら、見えない画像の異常な病変を識別できる。 以上の結果より, 転移性脳腫瘍, 頭蓋外転移腫瘍, 術後の空洞, 構造変化は0.78, 0.61, 0.91, 0.60であった。
  論文  参考訳（メタデータ） (2020-05-26T08:46:32Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)
• 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。