論文の概要: CNN-Based Retinal OCT Classification: Research Gap Analysis and a From-Scratch Baseline, ED126-A

• arxiv url: http://arxiv.org/abs/2611.02114v1
• Date: Sun, 01 Nov 2026 18:43:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:17:21.170677
• Title: CNN-Based Retinal OCT Classification: Research Gap Analysis and a From-Scratch Baseline, ED126-A
• Title（参考訳）: CNN-based Retinal OCT Classification: Research Gap Analysis and a From-Scratch Baseline, ED126-A
• Abstract要約: 本研究は、CNNに基づく網膜CT分類の焦点を絞ったレビューを行い、制御されたベンチマークに関する方法論的考察を明らかにする。 ED126-Aは、Kermanyラベル付きOCTデータセット上の文書化された実験プロトコルの下で、スクラッチからトレーニングされた4クラスCNNベースラインである。 モデルは、1,239,460のトレーニング可能なパラメータを含む1,241,380の総パラメータを含み、トレーニング力学分析、クラスワイドパフォーマンスメトリクス、混乱行列分析、信頼分析、t-SNE表現空間可視化、Grad-CAM、階層的特徴マップ分析、ワン-vs-restを用いて評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Automated classification of retinal pathologies from Optical Coherence Tomography (OCT) images remains challenging because diagnostically relevant morphological patterns may exhibit substantial inter-class similarity. Although high classification accuracies have been reported on benchmark OCT datasets, cross-study comparison is limited by heterogeneous evaluation protocols and by the limited characterization of compact convolutional neural network (CNN) baselines trained from random initialization. This study addresses this gap through two contributions. First, it provides a focused review of CNN-based retinal OCT classification and identifies methodological considerations relevant to controlled benchmarking. Second, it presents ED126-A, a purpose-built four-class CNN baseline trained from scratch under a documented experimental protocol on the Kermany labeled OCT dataset. The model contains 1,241,380 total parameters, including 1,239,460 trainable parameters, and is evaluated using training-dynamics analysis, class-wise performance metrics, confusion-matrix analysis, confidence analysis, t-SNE representation-space visualization, Grad-CAM, hierarchical feature-map analysis, and one-vs-rest ROC/Precision-Recall analysis. On the image-level held-out test set, ED126-A achieved 95.03% accuracy, with a macro-F1 of 0.9205 and a weighted-F1 of 0.9521. The principal class-conditional limitation occurred for Drusen, which attained a recall of 0.9605 but a precision of 0.7493 and an F1-score of 0.8419. The confusion matrix identified Normal to Drusen and CNV to Drusen as major error channels. These results support the use of ED126-A as a documented from-scratch reference baseline and provide an empirical basis for controlled evaluation of transfer learning, increased depth, attention, multi-scale feature fusion, and calibration in subsequent studies.
• Abstract（参考訳）: オプティカルコヒーレンス・トモグラフィー(OCT)画像からの網膜病理の自動分類は、診断学的に関連のある形態パターンがクラス間類似性を示す可能性があるため、依然として困難である。 ベンチマークOCTデータセットでは高い分類精度が報告されているが、クロススタディ比較は異種評価プロトコルや、ランダム初期化から訓練されたコンパクト畳み込みニューラルネットワーク(CNN)ベースラインの限定的な特徴によって制限されている。 本研究は2つのコントリビューションを通じてこのギャップに対処する。 まず、CNNベースの網膜CT分類の焦点を絞ったレビューを行い、制御されたベンチマークに関連する方法論的考察を明らかにする。 第2に、ED126-Aは、Kermanyラベル付きOCTデータセット上の文書化された実験プロトコルの下で、スクラッチからトレーニングされた、目的の4クラスCNNベースラインである。 このモデルは、1,239,460のトレーニング可能なパラメータを含む1,241,380の総パラメータを含み、トレーニング力学分析、クラスワイドパフォーマンスメトリクス、混乱行列分析、信頼分析、t-SNE表現空間可視化、Grad-CAM、階層的特徴マップ分析、ワン-vs-rest ROC/Precision-Recall分析を用いて評価される。 画像レベルのホールドアウトテストセットでは、ED126-Aは95.03%の精度で、マクロF1は0.9205、重み付きF1は0.9521である。 ドルーゼンは0.9605のリコールを達成したが、精度は0.7493、F1スコアは0.8419であった。 混乱行列は、ノーマル・トゥ・ドルーゼンとCNV・ドルーゼンを主要なエラーチャネルとして同定した。 これらの結果は, ED126-Aを文書化アウトスクラッチ基準ベースラインとして使用することをサポートし, 転送学習, 深度, 注意度, マルチスケール特徴融合, キャリブレーションの制御のための経験的基礎を提供する。

関連論文リスト

• Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
  二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。 すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
  論文  参考訳（メタデータ） (2026-06-11T09:55:57Z)
• GOLDMARK: Governed Outcome-Linked Diagnostic Model Assessment Reference Kit [7.891604152731754]
  CB(Computational Biomarker)は、ヘマトキシリン・エオシン(H&E)全スライディング画像(WSI)から抽出した組織由来のパターンで、治療効果や予後を予測する。 臨床応用可能な OncoKB レベル1-3 バイオマーカーラベルを持つTCGAコーホート上に構築された標準化されたベンチマークフレームワークである GOLDMARK を紹介する。
  論文  参考訳（メタデータ） (2026-03-21T15:09:06Z)
• Patch-Level Glioblastoma Subregion Classification with a Contrastive Learning-Based Encoder [8.220201308071614]
  我々は、トレーニングデータセット上に、専用の分類ヘッドを持つ事前訓練されたビジョントランスフォーマー(ViT)エンコーダを微調整する手法を開発した。 Synapseプラットフォームを用いて評価したオンライン検証セットの性能は, マシューズ相関係数0.7064, F1スコア0.7676を得た。 最終テストセットでは、MCC 0.6509、F1スコア 0.5330を達成し、BraTS-Pathology 2025 Challengeでチーム2位となった。
  論文  参考訳（メタデータ） (2025-11-25T11:49:18Z)
• Deep learning-based segmentation of T1 and T2 cardiac MRI maps for automated disease detection [0.2593137041747032]
  組織マッピングは、定量的な心臓組織評価を可能にするが、手動のデライン化において、オブザーバ間の変動によって制限される。 平均緩和値と単一カットオフに依存する従来のアプローチは、複雑さを過度に単純化する可能性がある。 本研究では,機械学習がサーバ間変動に匹敵するセグメンテーション精度を達成できるかどうかを評価する。
  論文  参考訳（メタデータ） (2025-07-01T16:08:54Z)
• HistoART: Histopathology Artifact Detection and Reporting Tool [37.31105955164019]
  ワイルスライドイメージング(WSI)は、組織標本の詳細な高分解能検査のために広く用いられている。 WSIは、スライドの準備とスキャンの間に導入されたアーティファクトに弱いままです。 本稿では,WSIに対する3つのロバストなアーティファクト検出手法を提案し,比較する。
  論文  参考訳（メタデータ） (2025-06-23T17:22:19Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• An Efficient End-to-End Deep Neural Network for Interstitial Lung Disease Recognition and Classification [0.5424799109837065]
  本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。 提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。 128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
  論文  参考訳（メタデータ） (2022-04-21T06:36:10Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• A Deep Learning-Based Method for Automatic Segmentation of Proximal Femur from Quantitative Computed Tomography Images [5.731199807877257]
  我々は、エンドツーエンドの完全畳み込みニューラルネットワーク(CNN)であるV on-Netに基づく3次元画像分割法を開発した。 提案手法の有効性を評価する実験を行った。
  論文  参考訳（メタデータ） (2020-06-09T21:16:47Z)

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。