State-of-the-Art Periorbital Distance Prediction and Disease Classification Using Periorbital Features

要約

眼窩周囲距離は、さまざまな眼形成および頭蓋顔面の状態を診断および監視するための重要なマーカーです。
ただし、手動測定は主観的であり、学年の変動性が発生しやすくなります。
自動化された方法は開発されていますが、標準化されたイメージング要件、小さなデータセット、および個々の測定に狭い焦点によって制限されたままです。
健康的な目のドメイン固有のデータセットで訓練されたセグメンテーションパイプラインを開発し、そのパフォーマンスをAnyny Anyty Model（SAM）と以前のベンチマークPeriorbitaiと比較しました。
セグメンテーションの精度は、複数の疾患クラスとイメージング条件で評価されました。
さらに、浅い分類子、CNN、および融合モデルを比較した、分散分布（ID）および分散除外（OOD）の設定における疾患分類の特徴として、予測眼窩周囲距離の使用を調査しました。
セグメンテーションモデルは、すべてのデータセットで最先端の精度を達成し、SAMとPeriorBitaiと比較して、互いの変動性と優れたパフォーマンス内のエラー率を備えています。
分類タスクでは、眼窩周囲距離でトレーニングされたモデルは、IDデータのCNNパフォーマンス（77–78 \％精度）と一致し、OOD条件下でCNNを大幅に上回る（63–68 \％精度対14 \％）。
融合モデルは、最も高いID精度（80 \％）を達成しましたが、OODシフトの下で劣化したCNN機能に敏感でした。
セグメンテーション由来の眼窩周囲距離は、CNN画像分類子よりもドメインシフト下でよりよく一般化するための堅牢で説明可能な特徴を提供します。
これらの結果は、眼窩周囲の距離予測の新しいベンチマークを確立し、眼球形質性および頭蓋顔面ケアにおける現実世界の展開のための解剖学ベースのAIパイプラインの可能性を強調しています。

要約(オリジナル)

Periorbital distances are critical markers for diagnosing and monitoring a range of oculoplastic and craniofacial conditions. Manual measurement, however, is subjective and prone to intergrader variability. Automated methods have been developed but remain limited by standardized imaging requirements, small datasets, and a narrow focus on individual measurements. We developed a segmentation pipeline trained on a domain-specific dataset of healthy eyes and compared its performance against the Segment Anything Model (SAM) and the prior benchmark, PeriorbitAI. Segmentation accuracy was evaluated across multiple disease classes and imaging conditions. We further investigated the use of predicted periorbital distances as features for disease classification under in-distribution (ID) and out-of-distribution (OOD) settings, comparing shallow classifiers, CNNs, and fusion models. Our segmentation model achieved state-of-the-art accuracy across all datasets, with error rates within intergrader variability and superior performance relative to SAM and PeriorbitAI. In classification tasks, models trained on periorbital distances matched CNN performance on ID data (77–78\% accuracy) and substantially outperformed CNNs under OOD conditions (63–68\% accuracy vs. 14\%). Fusion models achieved the highest ID accuracy (80\%) but were sensitive to degraded CNN features under OOD shifts. Segmentation-derived periorbital distances provide robust, explainable features for disease classification and generalize better under domain shift than CNN image classifiers. These results establish a new benchmark for periorbital distance prediction and highlight the potential of anatomy-based AI pipelines for real-world deployment in oculoplastic and craniofacial care.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google