論文の概要: Within-Family EfficientNet Scaling under Fixed-Resolution Transfer Learning for Spectral-Domain Optical Coherence Tomography Retinal Disease Classification

• arxiv url: http://arxiv.org/abs/2611.06452v1
• Date: Wed, 04 Nov 2026 12:53:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.112492
• Title: Within-Family EfficientNet Scaling under Fixed-Resolution Transfer Learning for Spectral-Domain Optical Coherence Tomography Retinal Disease Classification
• Title（参考訳）: 波長領域光コヒーレンス・トモグラフィーによる網膜疾患分類のための固定解像度変換学習における家族内ネットスケーリング
• Abstract要約: スペクトル領域光コヒーレンストモグラフィー(SD-OCT)による網膜疾患分類におけるCNNの有用性 本研究は,4クラスSD-OCT分類と精度-効率トレードオフのためのネットワーク-B0-B7の有効性を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background/Objectives: CNNs perform well in retinal disease classification from spectral-domain optical coherence tomography (SD-OCT), but whether EfficientNet's natural-image scaling hierarchy transfers to medical-image transfer learning at fixed resolution remains unclear. This study evaluates EfficientNet-B0-B7 for four-class SD-OCT classification and accuracy-efficiency trade-offs. Methods: Eight ImageNet-pretrained variants (4.05-64.10M instantiated backbone parameters) were evaluated at 224x224 on the Kermany dataset. Grayscale images were replicated to RGB and processed using model-embedded preprocessing and augmentation. Training comprised frozen-backbone head training followed by partial fine-tuning. Metrics covered classification, discrimination, efficiency, and visual analyses. Results: Test accuracy varied non-monotonically from 95.93% (B0) to 96.95% (B1); B7 achieved 96.73%. B1 had the highest accuracy and Drusen F1 (0.8780), while B7 had Drusen F1 of 0.8720 and the highest Drusen recall (0.9177). Drusen had the lowest F1 across all variants and contributed 82.2% of the summed squared deviation in class-specific F1; class ranking remained Normal > CNV > DME > Drusen. The OCT accuracy ranking differed from the reported ImageNet hierarchy, where B7 ranked first. The accuracy-to-parameter ratio fell from 19.82 to 1.48 percentage points per million total parameters. The final train-test gap had a weak, non-significant association with test accuracy (r = 0.26, p = 0.53). Conclusions: Larger EfficientNet variants did not consistently improve SD-OCT classification. B1 achieved the highest accuracy and Drusen F1, whereas B7 showed a secondary accuracy recovery at greater model size and CPU latency, indicating task and protocol dependent scaling effects. As cross-partition duplicates have not been independently audited, results are conditional on the supplied split.
• Abstract（参考訳）: 背景/対象: CNNは、スペクトル領域光コヒーレンス断層撮影(SD-OCT)から網膜疾患分類において良好に機能するが、EfficientNetの自然画像スケーリング階層構造が固定解像度での医療画像転送学習に移行するかどうかは不明である。 本研究は,4クラスSD-OCT分類と精度-効率トレードオフのためのネットワーク-B0-B7の有効性を評価する。 方法:8つのImageNet-Pretrained variant (4.05-64.10M インスタンス化されたバックボーンパラメータ)が、Kermanyデータセットで224x224で評価された。 グレースケール画像は、RGBに複製され、モデル埋め込み前処理と拡張を使用して処理された。 訓練は凍結したバックボーンヘッドトレーニングに続き、一部微調整を行った。 メトリクスは分類、識別、効率、視覚分析をカバーした。 結果: 試験精度は95.93%(B0)から96.95%(B1)に変化し、B7は96.73%に達した。 B1は最高精度でDrusen F1(0.8780)、B7はDrusen F1(0.98720)、Drusenリコール(0.9177)であった。 ドルーセンは全ての変種の中で最も低いF1を有し、クラス固有のF1の合計2乗偏差の82.2%を占め、クラスランキングはノーマル > CNV > DME > ドルーセンのままであった。 OCTの精度ランキングは、報告されたImageNet階層とは異なる。 精度とパラメータの比率は、合計パラメータ当たり19.82から1.48ポイントまで低下した。 最終テストのギャップは、テスト精度(r = 0.26, p = 0.53)と弱く、非重要な関係を持っていた。 結論: より高効率なNet変種はSD-OCT分類を一貫して改善しなかった。 B1はDrusen F1、B7はモデルサイズとCPU遅延の2次精度回復を示し、タスクとプロトコル依存のスケーリング効果を示した。 分割複製は独立して監査されていないため、供給された分割の条件付きである。

関連論文リスト

• Interpretable Image-Level Acne Severity Grading via EfficientNet-B0 Transfer Learning and Grad-CAM [0.0]
  林基準に基づく4級アシネス分類器を開発した。 このモデルは2,983枚のラベル付き画像のACNE04データセットに微調整された。 93.5パーセントの精度と94.4%のマクロF1を達成し、クラスごとのF1スコアは0.92から0.97となった。
  論文  参考訳（メタデータ） (2026-07-29T04:28:13Z)
• 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)
• Validating Vision Transformers for Otoscopy: Performance and Data-Leakage Effects [42.465094107111646]
  本研究では、耳疾患の診断精度を高めるために、視覚トランスモデル、特にスウィントランスモデルの有効性を評価する。 この研究はチリ大学臨床病院の耳鼻咽喉科の実際のデータセットを利用した。
  論文  参考訳（メタデータ） (2025-11-06T23:20:37Z)
• Predicting Diabetic Retinopathy Using a Two-Level Ensemble Model [0.6445605125467574]
  糖尿病網膜症は、高齢者の視覚障害の主要な原因である。 画像ベースのAIツールは、早期検出の限界を示している。 実験結果を用いたDR予測のための非画像ベース2レベルアンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2025-10-01T16:19:57Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• From Embeddings to Accuracy: Comparing Foundation Models for Radiographic Classification [33.96915720287914]
  ラジオグラフィー分類における軽量アダプタの訓練のための7つの基礎モデルからの埋め込みを評価する。 MedImageInsightの埋め込みとSVMとアダプタの組み合わせは、曲線(mAUC)における平均面積が93.1%に達した。 これらの軽量グループは計算効率が良く、数分でトレーニングし、CPU上で数秒で推論を行う。
  論文  参考訳（メタデータ） (2025-05-16T03:39:46Z)
• Comparison of retinal regions-of-interest imaged by OCT for the classification of intermediate AMD [3.0171643773711208]
  269名の中間AMD患者と115名の健常者から15744名のBスキャンを行った。 各サブセットについて、畳み込みニューラルネットワーク(VGG16アーキテクチャに基づいて、ImageNetで事前トレーニングされた)をトレーニングし、テストした。 モデルの性能は, 受信動作特性(AUROC), 精度, 感度, 特異性に基づいて評価した。
  論文  参考訳（メタデータ） (2023-05-04T13:48:55Z)
• 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)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。