論文の概要: Cross-Dataset Generalization of Glaucoma Detection CNNs: Effects of Operating Threshold, Multi-Source Training, and Color Normalization

• arxiv url: http://arxiv.org/abs/2611.01992v1
• Date: Sun, 01 Nov 2026 15:26:56 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:05:12.78753
• Title: Cross-Dataset Generalization of Glaucoma Detection CNNs: Effects of Operating Threshold, Multi-Source Training, and Color Normalization
• Title（参考訳）: 緑内障検出CNNのクロスデータセット一般化:手術閾値,マルチソーストレーニング,色正規化の効果
• Abstract要約: 緑内障検出のためのディープラーニングモデルは通常、トレーニングに使用される同じデータセットの画像でテストされる。 3つの公開ファンドデータセットのうちの1つで同じ設定で、ImageNetで事前トレーニングされた5つのCNNを微調整しました。 複数の比較を修正した後、アーキテクチャが良くなったという証拠は見つからなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Deep learning models for glaucoma detection are usually tested on images from the same dataset used for training. That says little about how they will work at a new hospital or with a new camera. We fine-tuned five ImageNet-pretrained CNNs (ResNet50, DenseNet121, MobileNetV2, EfficientNet-B0, InceptionV3) with identical settings on one of three public fundus datasets (ACRIMA, ORIGA, RIM-ONE DL). Each was tested on a held-out part of its own dataset and on the other two datasets in full. We used three random seeds and report mean and SD over seeds. Mean in-domain AUC was 0.913 and cross-source AUC was 0.702, a drop of 0.211 (SD 0.030; 95% CI 0.135 to 0.286). After correction for multiple comparisons we found no evidence that any architecture did better, though three seeds give low power. At thresholds set on the source validation data, specificity fell from 0.870 to 0.506 and sensitivity from 0.831 to 0.726. Resetting the threshold on 10% of the target images raised specificity to 0.670 but lowered sensitivity to 0.609, and balanced accuracy rose only from 0.616 to 0.639. Training on two sources together did not help (held-out AUC 0.695 versus 0.702). LAB reference normalization (cross-source AUC 0.755) and strong color augmentation (0.754) gave similar gains, cutting the drop to about 0.16. Ben Graham normalization (0.733) and CLAHE (0.712) helped less, and gray-world (0.696) did not help. The two best methods raised specificity but lowered sensitivity. On G1020, used only for testing, AUC stayed near 0.5 in every condition, and networks trained within G1020 were also close to chance. Strong in-domain results do not show that a glaucoma model will work on new data. Normalization and color augmentation reduce the drop but do not remove it. Studies should report external validation and check the operating threshold, not only AUC.
• Abstract（参考訳）: 緑内障検出のためのディープラーニングモデルは通常、トレーニングに使用される同じデータセットの画像でテストされる。 これは、新しい病院や新しいカメラでどのように働くかについてはほとんど語らない。 ImageNet-pretrained CNN(ResNet50, DenseNet121, MobileNetV2, EfficientNet-B0, InceptionV3)を3つの公開ファンドデータセット(ACRIMA, ORIGA, RIM-ONE DL)で同一の設定で微調整した。 それぞれが、自身のデータセットの保持された部分と、他の2つのデータセット全体をテストした。 ランダムな種子を3種使用し,平均値とSDを種子上で報告した。 ドメイン内AUCの平均値は0.913で、オープンソースAUCは0.211(SD 0.030; 95% CI 0.135 - 0.286)の0.702である。 複数の比較を行った結果,3種の種子が低出力であるにもかかわらず,どのアーキテクチャも良好であったという証拠は見つからなかった。 ソース検証データに設定された閾値では、特異性は0.870から0.506に低下し、感度は0.831から0.726に低下した。 対象画像の10%の閾値を0.670に設定したが、感度は0.609に低下し、バランスの取れた精度は0.616から0.639に上昇した。 2つの情報源の訓練は助けにはならなかった(AUC 0.695対 0.702)。 LAB基準正規化(オープンソースAUC 0.755)と強い色増色(0.754)も同様の利得を示し、約0.16に低下した。 ベン・グラハムの正規化 (0.733) と CLAHE (0.712) は減らし、灰色の世界 (0.696) は役に立たなかった。 2つの最良の方法は特異性を高めたが感度を低下させた。 試験にのみ使用されたG1020では、AUCは全ての条件で0.5に近づき、G1020内で訓練されたネットワークも偶然に近かった。 ドメイン内での強い結果は、緑内障モデルが新しいデータに作用することを示すものではない。 正常化と色増色は低下を減少させるが、除去しない。 研究は、AUCだけでなく、外部の検証を報告し、手術閾値を確認するべきである。

関連論文リスト

• Accuracy Is Not Enough: An Efficiency- and Statistics-Aware Benchmark of ResNet50 and Vision Transformer for Explainable Multi-Class Gastrointestinal Diseases Classification [0.0]
  パブリックなKvasirデータセット上の8クラスGI分類のためのResNet50とViT-B/16の制御可能なベンチマークを示す。 クロスバリデーションでは、ResNet50とViT-B/16は92.12%の精度で91.70%に達し、+/-3パーセンテージのマージンで等価となった。
  論文  参考訳（メタデータ） (2026-10-25T00:39:12Z)
• 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)
• Continuously Evolving Deepfake Detection: An Architecture and Public-Benchmark Evaluation of a Dynamic Detection System [0.0]
  学術ベンチマークでほぼ完璧なスコアを得るディープフェイク検出器は、現実世界のコンテンツで崩壊する。 このギャップは構造的であり、静的検出器は動いた生成フロンティアに対して一度訓練される。 我々は,Bittensor SN34を通じてトレーニングされたBitMind Forensics(BMF)について紹介する。
  論文  参考訳（メタデータ） (2026-07-14T19:53:09Z)
• LLM-Driven Neural Network Generation with Same-Family Architecture Guidance: Disentangling Transfer and Adaptation [48.83701310501069]
  大規模言語モデル(LLM)はニューラルネットの修正を生成することができるが、制限のない生成はしばしば無効または有害である。 本稿では、ニューラルネットワークデータベースからより強力な同族源モデルを用いて、弱いターゲットモデルを改善するという、より狭い設定について研究する。 我々は,ソース制御,ソース条件付き候補,非LLM hp_copy アブレーションを含むソース誘導型候補生成プロトコルを,同等の評価予算の下で提案する。
  論文  参考訳（メタデータ） (2026-07-06T23:59:18Z)
• Benchmark AUC Is Not Deployable Reliability: A Cross-Dataset Audit of Off-the-Shelf Features for Surveillance Video Anomaly Detection [0.0]
  自動的な“suspicious behavior”フラグングは、AI監視の柱となる約束だ。 Fieldは標準ビデオ異常検出ベンチマークで高フレームレベルのROC-AUCを報告している。 その仮定が下がったときに何が起こるか監査します。
  論文  参考訳（メタデータ） (2026-06-28T17:08:02Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Pretraining Objective Matters in Extreme Low-Data FGVC: A Backbone-Controlled Study [39.146761527401424]
  教師付き分類、コントラスト学習(SigLIP2)、マスク再構築(MAE)、自己蒸留(DINOv3)の4つの凍結型ViT-B/16エンコーダを比較した。 教師付きおよび対照的なエンコーダは、最も強い線形分離性(論理的AUC: 0.768 と 0.735; SVM AUC: 0.739 と 0.697)を提供する。 この領域では、DINOv3はプローブファミリーで不活性である。
  論文  参考訳（メタデータ） (2026-05-15T04:14:16Z)
• Impact of Labeling Inaccuracy and Image Noise on Tooth Segmentation in Panoramic Radiographs using Federated, Centralized and Local Learning [46.232038247686745]
  フェデレートラーニング(FL)は、歯科診断AIにおけるプライバシー制約、不均一なデータ品質、一貫性のないラベル付けを緩和する。 複数のデータ破損シナリオを対象としたパノラマX線撮影において,FLと集中学習(CL)と局所学習(LL)を比較した。
  論文  参考訳（メタデータ） (2025-09-08T11:07:47Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Contrastive learning-based pretraining improves representation and transferability of diabetic retinopathy classification models [1.9882302955470608]
  自己教師付きコントラスト学習に基づく事前学習により、小さなラベル付きデータセットを持つ堅牢で一般化されたディープラーニングモデルの開発が可能になる。 本研究の目的は,CLによるプレトレーニングが糖尿病網膜症 (DR) の診断成績に及ぼす影響を評価することである。
  論文  参考訳（メタデータ） (2022-08-24T14:07:45Z)
• Automatic classification of multiple catheters in neonatal radiographs with deep learning [2.256008196530956]
  新生児胸部および腹部X線写真上の複数のカテーテルを分類する深層学習アルゴリズムの開発と評価を行った。 畳み込みニューラルネットワーク(CNN)は,新生児胸部777例と腹部X線写真を用いて訓練した。
  論文  参考訳（メタデータ） (2020-11-14T21:27:21Z)

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。