[論文レビュー] Weakly Supervised Patch Annotation for Improved Screening of Diabetic Retinopathy

Shramana Dey, Abhirup Banerjee+3 more|arXiv (Cornell University)|Mar 4, 2026

Retinal Imaging and Analysis被引用数 0

ひとこと要約

SAFE: 弱教師付きとパッチレベル埋込みを用いて網膜画像の希薄な病変注釈を拡張し、DR分類性能を改善する二段階フレームワーク。

ABSTRACT

Diabetic Retinopathy (DR) requires timely screening to prevent irreversible vision loss. However, its early detection remains a significant challenge since often the subtle pathological manifestations (lesions) get overlooked due to insufficient annotation. Existing literature primarily focuses on image-level supervision, weakly-supervised localization, and clustering-based representation learning, which fail to systematically annotate unlabeled lesion region(s) for refining the dataset. Expert-driven lesion annotation is labor-intensive and often incomplete, limiting the performance of deep learning models. We introduce Similarity-based Annotation via Feature-space Ensemble (SAFE), a two-stage framework that unifies weak supervision, contrastive learning, and patch-wise embedding inference, to systematically expand sparse annotations in the pathology. SAFE preserves fine-grained details of the lesion(s) under partial clinical supervision. In the first stage, a dual-arm Patch Embedding Network learns semantically structured, class-discriminative embeddings from expert annotated patches. Next, an ensemble of independent embedding spaces extrapolates labels to the unannotated regions based on spatial and semantic proximity. An abstention mechanism ensures trade-off between highly reliable annotation and noisy coverage. Experimental results demonstrate reliable separation of healthy and diseased patches, achieving upto 0.9886 accuracy. The annotation generated from SAFE substantially improves downstream tasks such as DR classification, demonstrating a substantial increase in F1-score of the diseased class and a performance gain as high as 0.545 in Area Under the Precision-Recall Curve (AUPRC). Qualitative analysis, with explainability, confirms that SAFE focuses on clinically relevant lesion patterns; and is further validated by ophthalmologists.

研究の動機と目的

• 病変注釈が乏しいまたは不完全な場合のDRスクリーニングの改善を動機づける。
• heavy labeling なしで希薄なパッチレベル注釈を自動的に拡張する principled な方法を提案する。
• ダウンサンプリングした画像ではなく128x128パッチで病変レベルの解像度を保持する。
• refined 注釈を通じて DR分類などの下流タスクをより高い精度で実現する。

提案手法

• 弱教師付き、コントラスト学習、パッチ-wise埋込みを組み合わせた二段階フレームワーク SAFE を導入する。
• Stage 1 では dual-arm Patch Embedding Network (PEN) を訓練し、専門家注釈パッチからクラス識別的で意味的に構造化された埋込みを学習する。
• Stage 2 では Cosine 類似度と拒否投票を用いた abstention を含む多数決で、MT が独立して訓練した埋込み空間を横断する特徴空間アンサンブルを通じてラベルを未ラベルパッチへ伝播する。
• 拒否機構は信頼閾値を用いて信頼できる注釈とノイズの多いカバレッジのバランスを取る。
• 新指標 Drate と拡張 MR が拒否下での注釈カバレッジと信頼性を定量化する。
• 実験は四つの DR データセットでパッチレベル評価を用い、SAFE 推定ラベルを使用した場合の DR 分類指標の向上を示す。

実験結果

リサーチクエスチョン

• RQ1 弱教師付きのパッチレベル埋込みを用いて、DR画像の未ラベルパッチを信頼性高く注釈付けできるか？
• RQ2 埋込み空間のアンサンブルは部分監視下でラベル伝播の品質と頑健性にどのように影響するか？
• RQ3 SAFE 生成注釈の下流の DR 分類性能にどのような影響があるか？
• RQ4 拒否と信頼閾値は注釈品質とカバレージにどのような影響を与えるか？
• RQ5 推定注釈は眼科医によって検証された臨床的に関連する病変パターンに焦点を当てているか？

主な発見

• SAFE は評価データセットで healthy と diseased パッチを高精度で分離でき、最大 0.9886 の accuracy を達成した。
• SAFE によって生成された注釈は下流の DR タスクを大幅に改善し、 diseased クラスの F1 スコアが向上し、AUPRC は最大で 0.545 となった。
• 二段階の SAFE フレームワークと埋込み空間のアンサンブルはラベル伝播のバイアスを低減し、データセット間で指標を改善した。
• 拒否は不確かなパッチを Undecided としてラベリングすることでノイズのあるラベルを回避し、Healthy および Unhealthy クラスの精度を維持した。
• 説明性分析（活性化マップ、Grad-CAM）により SAFE が眼科医によって検証された臨床的に関連する病変パターンに焦点を当てることが示された。
• SAFE はデータ不足、クラス不均衡、または大規模設定においても高い注釈カバレージ（Drate > 0.93）を維持し、強い性能を発揮する。