論文の概要: Where to Predict in Retinal OCT? Anatomy-Guided Target Selection for I-JEPA
- arxiv url: http://arxiv.org/abs/2611.17586v1
- Date: Thu, 12 Nov 2026 23:11:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.276358
- Title: Where to Predict in Retinal OCT? Anatomy-Guided Target Selection for I-JEPA
- Title(参考訳): 網膜 OCT の予測法 : I-JEPA における解剖誘導標的選択法
- Abstract要約: 自己教師付き学習は、ラベルのないデータから意味のある表現を学ぶことを目的としている。
I-JEPAは、画素を再構成するのではなく、可視的コンテキストからターゲット領域表現を予測することで学習する。
解剖学的に有意な標的選択が網膜CT表現学習に有効であることを示す。
- 参考スコア(独自算出の注目度): 0.5461938536945722
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-supervised learning aims to learn meaningful representations from unlabeled data, potentially allowing models to capture subtle anatomical variations across patients and reduce the amount of labeled data needed. Image-based Joint-Embedding Predictive Architecture (I-JEPA) learns by predicting target-region representations from visible context rather than reconstructing pixels. However, its uniform target placement does not account for the anatomical structure of retinal OCT, where retinal tissue occupies only part of each B-scan. We investigate anatomy-guided target selection using image intensity and predicted retinal segmentation while retaining the I-JEPA architecture and latent prediction objective. We compare anatomy-guided rectangular targets, anatomy-shaped targets and coverage-constrained placement with uniform masking, and evaluate the learned representations using linear probing for glaucoma classification on FairVision. We found that rectangular targets guided by image intensity achieved the highest linear-probe AUC in our comparisons. We show that anatomically meaningful target selection is promising for retinal OCT representation learning, while greater anatomical specificity did not consistently improve performance.
- Abstract(参考訳): 自己教師付き学習は、ラベルのないデータから意味のある表現を学習することを目的としており、モデルが患者間で微妙な解剖学的変化を捉え、ラベル付きデータの量を減らすことができる可能性がある。
画像ベース統合埋め込み予測アーキテクチャ(I-JEPA)は、画素を再構成するのではなく、視覚的コンテキストからターゲット領域表現を予測することによって学習する。
しかし、その均一な標的配置は、網膜組織が各Bスキャンの一部のみを占める網膜OCTの解剖学的構造を考慮に入れていない。
我々は、I-JEPAアーキテクチャと潜在予測目標を維持しつつ、画像強度と予測網膜セグメンテーションを用いた解剖誘導目標選択について検討した。
解剖誘導長方形のターゲット,解剖形状のターゲット,および被覆拘束された配置を均一なマスキングと比較し,FairVisionの緑内障分類のための線形プローブを用いた学習表現の評価を行った。
その結果,画像強度で誘導される長方形のターゲットは,AUCにおいて最も高い線形プローブを達成できた。
解剖学的に有意な目標選択は網膜CT表現学習に有意であり,解剖学的特異性は一貫して改善しなかった。
関連論文リスト
- Learning Where to Focus: Self-Supervised Multi-Scale ViTs for Histopathology [4.936165689668498]
病理学者は、まず不審な組織を特定し、高い倍率で検査することで病気を診断する。
自己監督型視覚変換器(ViT)は、複数の生物学的スケールに分散しているにもかかわらず、すべての画像領域に同じ空間分解能を割り当てる。
最近の病理基盤モデルでは、トレーニングデータとモデルキャパシティのスケーリングにより、表現品質が大幅に改善されているが、ほぼ均一なトークン化が維持されている。
論文 参考訳(メタデータ) (2026-09-16T12:38:41Z) - Bridging Vision Foundation Model Priors with CLIP for Spatial-aware Few-shot Anomaly Detection in Medical Images [48.646448077284276]
本研究では,数発の医用異常検出を効果的に行うためのフレームワークであるSpatial-FADを提案する。
VFM空間先行とCLIPセマンティクスを組み合わせることで病変の局在を改善する。
本手法は,Diceスコアが11.4%,AUCが1.8%以上の平均改善を実現している。
論文 参考訳(メタデータ) (2026-09-11T05:21:01Z) - Investigating the Visual Cues of CNNs for Vascular Segmentation: A Case Study in Microscopy and Fundus Imaging [0.0]
本稿では、2つの異なる画像領域にまたがる血管の分画に使用される視覚的手がかりである畳み込みニューラルネットワーク(CNN)について検討する。
形状, テクスチャ, 受容場がセグメンテーション性能に与える影響を定量化するために, 一連の実験を用いる。
論文 参考訳(メタデータ) (2026-07-25T21:25:35Z) - PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。
本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。
本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
論文 参考訳(メタデータ) (2025-04-09T14:58:21Z) - Fine-tuning Vision Language Models with Graph-based Knowledge for Explainable Medical Image Analysis [44.0659716298839]
現在の糖尿病網膜症(DR)のステージングモデルはほとんど解釈できない。
本稿では,グラフ表現学習を視覚言語モデル(VLM)と統合し,説明可能なDR診断を実現する手法を提案する。
論文 参考訳(メタデータ) (2025-03-12T20:19:07Z) - 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) - SD-LayerNet: Semi-supervised retinal layer segmentation in OCT using
disentangled representation with anatomical priors [4.2663199451998475]
網膜層セグメンテーションタスクに半教師付きパラダイムを導入する。
特に、表面位置回帰をピクセル単位で構造化されたセグメンテーションに変換するために、新しい完全微分可能なアプローチが用いられる。
並行して,ラベル付きデータの限られた量が利用できる場合に,ネットワークトレーニングを改善するための解剖学的事前セットを提案する。
論文 参考訳(メタデータ) (2022-07-01T14:30:59Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳(メタデータ) (2022-03-25T19:05:06Z) - Assignment Flow for Order-Constrained OCT Segmentation [0.0]
網膜層厚の同定は、患者ごとに個別に行う重要な課題である。
自動セグメンテーションモデルの構築は,医用画像処理分野において重要な課題となっている。
我々は、秩序に制約された3D OCT網膜細胞層セグメンテーションのための新しい、純粋にデータ駆動型テキスト幾何学的アプローチを提案する。
論文 参考訳(メタデータ) (2020-09-10T01:57:53Z) - Learning to Segment Anatomical Structures Accurately from One Exemplar [34.287877547953194]
大量の注釈付きトレーニング画像を用いることなく、正確な解剖学的構造セグメンテーションを作成できる方法は、非常に望ましい。
本研究では,自然に組み込まれたループ機構を備えたワンショット解剖セグメントであるContour Transformer Network (CTN)を提案する。
筆者らのワンショット学習法は,非学習に基づく手法を著しく上回り,最先端の完全教師付きディープラーニングアプローチと競争的に機能することを示した。
論文 参考訳(メタデータ) (2020-07-06T20:27:38Z)
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。