Attention 機構を用いた糖網膜症病変セグメンテーション

arXiv:2602.07301v1 Announce Type: new 抽象：糖尿病性網膜症（DR）は糖尿病による視覚障害や失明を引き起こす眼病です。不可逆的な視覚障害を防ぐためには、画期的なスクリーニングを通じて早期発見が重要です。研究者は多数の深層学習に基づく自動化アルゴリズムを DR スクリーニングの開発してこましたが、その臨床的な適用性は特に病変セグメンテーションに限界があり続いています。私たちの方法は病変に対してピクセルレベルのアンノテーションを提供し、実質的に眼科学家が網膜画像から DR をスクリーニングすることをサポートします。本研究では、DDR データセットの 757 画像から 4 タイプの DR 関連病変（微細血管破裂、軟性出液、硬性出液、出血）をセグメント化しました。病変セグメンテーションを強化するために、DeepLab-V3+ に注意機構を統合しました。ベースラインモデルと比較すると、Attention-DeepLab モデルは平均平均精度（mAP）を 0.3010 から 0.3326 に、平均交差共起率（IoU）を 0.1791 から 0.1928 に増大させました。モデルはまた、微細血管破裂の検出を 0.0205 から 0.0763 に増大させ、これは臨床的に重要な向上です。微細血管破裂の検出は DR の最も早期に見られる症状です。

arXiv:2602.07301v1 Announce Type: new Abstract: Diabetic Retinopathy (DR) is an eye disease which arises due to diabetes mellitus. It might cause vision loss and blindness. To prevent irreversible vision loss, early detection through systematic screening is crucial. Although researchers have developed numerous automated deep learning-based algorithms for DR screening, their clinical applicability remains limited, particularly in lesion segmentation. Our method provides pixel-level annotations for lesions, which practically supports Ophthalmologist to screen DR from fundus images. In this work, we segmented four types of DR-related lesions: microaneurysms, soft exudates, hard exudates, and hemorrhages on 757 images from DDR dataset. To enhance lesion segmentation, an attention mechanism was integrated with DeepLab-V3+. Compared to the baseline model, the Attention-DeepLab model increases mean average precision (mAP) from 0.3010 to 0.3326 and the mean Intersection over Union (IoU) from 0.1791 to 0.1928. The model also increased microaneurysm detection from 0.0205 to 0.0763, a clinically significant improvement. The detection of microaneurysms is the earliest visible symptom of DR.