[論文レビュー] Gradient based Severity Labeling for Biomarker Classification in OCT

Kiran Kokilepersaud, Mohit Prabhushankar+3 more|arXiv (Cornell University)|Feb 23, 2026

Retinal Imaging and Analysis被引用数 0

ひとこと要約

この論文は、 healthy auto-encoder の勾配応答を用いた unlabeled OCT スキャンの severity ベースの疑似ラベリング戦略を導入し、OCT の biomarker 分類を改善する supervision 対比学習エンコーダを訓練している。

ABSTRACT

In this paper, we propose a novel selection strategy for contrastive learning for medical images. On natural images, contrastive learning uses augmentations to select positive and negative pairs for the contrastive loss. However, in the medical domain, arbitrary augmentations have the potential to distort small localized regions that contain the biomarkers we are interested in detecting. A more intuitive approach is to select samples with similar disease severity characteristics, since these samples are more likely to have similar structures related to the progression of a disease. To enable this, we introduce a method that generates disease severity labels for unlabeled OCT scans on the basis of gradient responses from an anomaly detection algorithm. These labels are used to train a supervised contrastive learning setup to improve biomarker classification accuracy by as much as 6% above self-supervised baselines for key indicators of Diabetic Retinopathy.

研究の動機と目的

• 限られたラベルデータでの OCT における正確なバイオマーカ検出の動機づけ。
• 勾配応答を用いた severity ベースの疑似ラベリング機構の開発。
• バイオマーカ分類性能を向上させるための supervised contrastive 学習の活用。
• severity-bin の choices が複数の OCT バイオマーカに対する検出に与える影響を評価。

提案手法

• healthy OCT でオートエンコーダを訓練し、GradCON を用いて健常サンプル間の勾配を整合させる。
• 未ラベルの OCT 画像に対して SS = -L_recon + α L_grad（α = 0.03）として severity スコアを計算。
• sever ity スコアを N ビンに離散化して未ラベルデータに severity ラベル SL を割り当てる。
• severity ラベルを用いた監視付き対比損失で ResNet-18 エンコーダを訓練する。
• エンコーダのウェイトを凍結し、ラベル付きバイオマーカー数据で線形分類器を微調整する。

Fig. 1 : OCT Scans of biomarkers from the Prime + TREX DME datasets. The biomarkers are A) Intraretinal Hyperreflective Foci (IRHRF), B) Intraretinal Fluid (IRF) and Diabetic Macular Edema (DME) C) Partially Attached Vitreous Face (PAVF), and D) Fully Attached Vitreous Face (FAVF). The white arrows

実験結果

リサーチクエスチョン

• RQ1 健常分布からの勾配ベースの severity ラベルが OCT バイオマーカーの表現学習を改善できるか。
• RQ2 severity ビン数 N の変化が多ラベル AUC および各バイオマーカーの性能にどう影響するか。
• RQ3 severity-based supervised contrastive 表現は OCT バイオマーカータスクで自己教師付きベースラインを上回るか。
• RQ4 severity ラベルを生成する異なる異常検出器の影響はどうか。

主な発見

• severity ラベルに基づく監視付き対比学習は自己教師付きベースラインより平均多ラベル AUC とバイオマーカー精度を改善。
• severity ビン数 N の変化は性能に影響を与え；中程度の N（例：5000–10000）が極端な値より多くの場合多ラベル AUC を向上させる。
• 異なる異常検出器による severity labeling は一般に SL（severity-label）法が多ラベル結果で他を上回る。
• バイオマーカーごとの最高性能はバイオマーカーによって異なり、いくつかはより高いビン数から利益を得る（例：DME、IRF）、他は中程度のビン数から利益を得る。

Fig. 2 : From a healthy manifold learned from a trained auto-encoder, we can compute distance to the manifold of more severely diseased cases via a Severity Score (SS). Severity Score is calculated via some model response and increases as a sample is more anomalous compared to the learned healthy ma