論文の概要: Evidence-Guided Selection of Retinal Vessel Segmentation Pipelines: A Cross-Dataset Benchmark of Performance, Structure, Failure Modes, and Reproducibility
- arxiv url: http://arxiv.org/abs/2610.35357v1
- Date: Thu, 22 Oct 2026 13:10:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.931269
- Title: Evidence-Guided Selection of Retinal Vessel Segmentation Pipelines: A Cross-Dataset Benchmark of Performance, Structure, Failure Modes, and Reproducibility
- Title（参考訳）: 網膜血管セグメンテーションパイプラインのエビデンスガイドによる選択:性能・構造・故障モード・再現性のクロスデータセットベンチマーク
- Abstract要約: 6つの公開データセットから244枚の画像から,5つのバイナリコンテナ分割パイプライン(FSG-Net, SA-UNetv2, DCP-1024, GAVE, FR-UNet)を評価した。
結果はデータセット間で等しい重み付けで集約された。
- 参考スコア（独自算出の注目度）: 16.365438393319724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retinal vessel segmentation is widely used in retinal image analysis, yet model selection based only on aggregate overlap scores can overlook structural fidelity, cross-dataset robustness, and application-specific error costs. We evaluated five executable binary vessel-segmentation pipelines (FSG-Net, SA-UNetv2, DCP-1024, GAVE, and FR-UNet) on 244 images from six public datasets using pixel-level agreement, cross-dataset stability, thin-vessel retention, structural metrics, error composition, and available computational evidence. Results were aggregated with equal weighting across datasets. No pipeline was optimal in every setting. FSG-Net achieved the highest equal-dataset mean Macro-F1 (0.77), IoU (0.63), clDice (0.83), and Skeleton F1 (0.78), whereas SA-UNetv2 achieved the highest mean sensitivity (0.85) and Thin-Vessel Sensitivity (0.63). Differences across datasets were often larger than those among the leading pipelines, and errors shared by all five methods were concentrated near annotated vessel boundaries and faint peripheral vessels. In an ancillary analysis on 45 HRF images, segmentation masks were converted into 11 ring-wise vascular features for leave-one-out classification. Controlled perturbations showed that local mask errors can be amplified in downstream features, while targeted stabilization reduced sensitivity for five features. The results support task-conditioned, benchmark-relative pipeline selection rather than a single universal ranking and highlight the need to validate the selected pipeline on the intended target domain.
- Abstract（参考訳）: 網膜血管のセグメンテーションは網膜画像解析において広く用いられているが、集約オーバーラップスコアのみに基づくモデル選択は、構造的忠実さ、データセット間の堅牢性、アプリケーション固有のエラーコストを無視することができる。
画素レベルのアグリーメント, クロスデータセット安定性, 細血管保持, 構造指標, エラー構成, 利用可能な計算証拠を用いて, 6つの公開データセットから244個のバイナリコンテナ分割パイプライン(FSG-Net, SA-UNetv2, DCP-1024, GAVE, FR-UNet)を評価した。
結果はデータセット間で等しい重み付けで集約された。
すべての設定で最適なパイプラインはありませんでした。
FSG-Net は Macro-F1 (0.77), IoU (0.63), clDice (0.83), Skeleton F1 (0.78), SA-UNetv2 は平均感度 (0.85), Thin-Vessel Sensitivity (0.63) の最高値を達成した。
データセット間の差はしばしば主要パイプラインのそれよりも大きく、すべての5つの手法で共有される誤差は、注釈付き容器境界と薄型周辺容器の近くに集中していた。
45HRF画像の補助的解析では, セグメンテーションマスクを11個のリングワイド血管特徴に変換し, アウトアウト分類を行った。
制御された摂動は、下流の特徴において局所マスクの誤差を増幅し、目標安定化は5つの特徴に対して感度を低下させることを示した。
結果は、単一の普遍的なランキングではなく、タスク条件付き、ベンチマーク関連のパイプライン選択をサポートし、選択したパイプラインを意図されたターゲットドメイン上で検証する必要性を強調します。
関連論文リスト
- Towards Robust Time Series Learning via Capacity-Centric Modulation [76.23489485385964]
本稿では,CCM(Capacity-Centric Modulation)を相補的,サンプル適応正規化原理として提案する。
SACM(Sample-Adaptive Capacity Modulation)は,スペクトル空間の分散を利用して,サンプルワイドドロップアウト確率を割り当てるタスク非依存のフレームワークである。
301個の実世界のデータセット-バックボーンペアのうち、SACMは平均でMSEの予測を6.7%削減し、分類精度を3.04%改善し、ポイント調整されたF1を17.05%改善した。
論文 参考訳（メタデータ） (2026-09-30T10:51:23Z) - Long-Range Indirect Control-Flow Prediction in Stripped Binaries via Dual Virtual Hubs and Multi-Task Graph Learning [44.79384874347874]
本稿では,長い範囲のIDF予測を行う統合フレームワークICFlowNetを提案する。
ICFlowNetは、候補を意識したDual Virtual Hubs、Global Code Hub、Global Data Hubを導入している。
また,パッケージレベルの分割,関数レベルのmnemonic-hash重複,クリーンなテストプロトコルを備えた,リーク対応のノイズ制御パイプラインを開発した。
論文 参考訳（メタデータ） (2026-09-03T02:17:23Z) - Support Operation Factorization: Compositional Readout of Frozen Vision Encoders under Controlled Interventions [87.95757610455173]
我々は、x演算グリッドとSO-OPFをサポートするために、インジェクティブに整合した残余セルアウトプロトコルを導入する。
グリッドが分かっているときにキャリアがホールドアウトバインディングを構成するかどうか、フラットなセルラベルからグリッドを回収できるかどうかという2つの質問を分離する。
論文 参考訳（メタデータ） (2026-08-06T15:38:55Z) - Scaling Closed-Loop Feature Channel Configuration with LLMs [48.83701310501069]
この分析では,8サイクルから2000件の候補が生成され,タスクおよびメタデータフィルタリング後のCIFAR-100の評価結果が462件得られた。
最良のモデルは11.8Mパラメータで0.3676に達し、初期のハイパフォーマンスモデルは0.3144で166.5Mパラメータである。
検証された候補の41.8%で2つのチャネル幅の非パワーが発生し、最強のモデルではチャネル配置パターンが共有される。
論文 参考訳（メタデータ） (2026-07-07T22:31:53Z) - Multi-Level Distributional Entropy for Explainable Network Intrusion Detection [3.6406488220483326]
本稿では,フローレベルの要約統計から直接解釈可能なエントロピー特徴を導出するフレームワークを提案する。
4つのベンチマークで、エントロピーのみの機能は0.708-0.989の重み付きF1を達成する。
完全な運用メトリックレポートは、F1の隠蔽を集約する障害モードを公開する。
論文 参考訳（メタデータ） (2026-06-29T05:19:21Z) - CLEAR-MoE: Shared-Basis Expert Extraction from Frozen Vision Transformers via Calibration-Driven Layer Selection [0.0]
CLEAR-MoEは、凍結した事前訓練されたビジョントランスフォーマー(ViT)をバックボーン重みを更新することなく、スパースミクチャー・オブ・エクササイズ(MoE)モデルに変換するポストトレーニングパイプラインである。
GTX 960では、ルーティングと散乱計のオーバーヘッドにより、CLEAR-MoE FFN 1.3-1.7xは高密度ルータよりも遅い。
論文 参考訳（メタデータ） (2026-06-26T18:12:03Z) - Cross-Layer Intrusion Detection in 5G O-RAN: Gains and Limits of Fusing Radio Telemetry with Network Flow Records [2.992414059774663]
オープンRANデアグリゲーションは、DUラジオテレメトリとCU側ネットワークフローレコードのジョイント分析を可能にする。
これら2つのモダリティの融合が7つのアーキテクチャで個別に改善されるかどうかを評価する。
論文 参考訳（メタデータ） (2026-06-21T11:48:23Z) - Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。
我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。
我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
論文 参考訳（メタデータ） (2026-06-18T20:51:42Z) - HMS-VesselNet: Hierarchical Multi-Scale Attention Network with Topology-Preserving Loss for Retinal Vessel Segmentation [0.0]
HMS-VesselNetは階層的なマルチスケールネットワークで、異なる解像度で4つの並列ブランチにまたがるファンドイメージを処理する。
DRIVE、STARE、CHASE_DB1の68枚の画像を5倍のクロスバリデーションでテストし、平均Diceの88.72 +/- 0.67%、感度90.78 +/- 1.42%、AUCの98.25 +/- 0.21%を達成した。
論文 参考訳（メタデータ） (2026-03-23T12:16:45Z) - Graph-Structured Data Analysis of Component Failure in Autonomous Cargo Ships Based on Feature Fusion [20.287188044863925]
本稿では,障害モードのグラフ構造化データセットを構築するためのハイブリッド機能融合フレームワークを提案する。
サブシステム/コンポーネント機能のエンコードにWord2Vecエンコーディング、障害モード/領域の処理にBERT-KPCA、障害影響と緊急意思決定のセマンティックな関連を定量化するSentence-BERTを用いて階層的特徴融合フレームワークを構築する。
論文 参考訳（メタデータ） (2025-07-18T08:02:49Z)
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。