論文の概要: Deep learning achieves perfect anomaly detection on 108,308 retinal
images including unlearned diseases
- arxiv url: http://arxiv.org/abs/2001.05859v5
- Date: Sun, 19 Jul 2020 13:38:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 23:42:34.829116
- Title: Deep learning achieves perfect anomaly detection on 108,308 retinal
images including unlearned diseases
- Title（参考訳）: 深層学習による未学習疾患を含む108,308個の網膜画像の異常検出
- Authors: Ayaka Suzuki, Yoshiro Suzuki
- Abstract要約: 眼科医は、世界中の多くの地域で網膜OCT像を診断できるほど多くありません。
深層学習に基づくバイナリ分類器(正常または異常)は,2次元網膜CT画像108,308枚に完全分類された。
眼科医支援」から「眼科医非独立診断システム」への網膜CT画像の自動診断技術導入の可能性について検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optical coherence tomography (OCT) scanning is useful in detecting various
retinal diseases. However, there are not enough ophthalmologists who can
diagnose retinal OCT images in much of the world. To provide OCT screening
inexpensively and extensively, an automated diagnosis system is indispensable.
Although many machine learning techniques have been presented for assisting
ophthalmologists in diagnosing retinal OCT images, there is no technique that
can diagnose independently without relying on an ophthalmologist, i.e., there
is no technique that does not overlook any anomaly, including unlearned
diseases. As long as there is a risk of overlooking a disease with a technique,
ophthalmologists must double-check even those images that the technique
classifies as normal. Here, we show that our deep-learning-based binary
classifier (normal or abnormal) achieved a perfect classification on 108,308
two-dimensional retinal OCT images, i.e., true positive rate = 1.000000 and
true negative rate = 1.000000; hence, the area under the ROC curve = 1.0000000.
Although the test set included three types of diseases, two of these were not
used for training. However, all test images were correctly classified.
Furthermore, we demonstrated that our scheme was able to cope with differences
in patient race. No conventional approach has achieved the above performances.
Our work has a sufficient possibility of raising automated diagnosis techniques
for retinal OCT images from "assistant for ophthalmologists" to "independent
diagnosis system without ophthalmologists".
- Abstract（参考訳）: 光コヒーレンス断層撮影(OCT)は様々な網膜疾患の検出に有用である。
しかし、世界中の多くの場所で網膜oct像を診断できる眼科医は不足している。
octスクリーニングを安価かつ広範囲に提供し、自動診断システムが不可欠である。
網膜oct画像の診断において、眼科医を支援する機械学習技術が数多く提示されているが、眼科医に頼らずに独立して診断できる技術は存在せず、すなわち、未発見疾患を含む異常を見逃さない技術は存在しない。
この技術で病気を見渡すリスクがある限り、眼科医はこの技術を正常と分類した画像でさえダブルチェックしなければならない。
ここでは, ディープラーニングに基づく2値分類器(正規または異常)が, 108,308 次元網膜 oct 画像,すなわち true positive rate = 1.000000 と true negative rate = 1.000000 の完全分類を達成したことを示す。
テストセットには3種類の疾患が含まれていたが、そのうち2つは訓練には使用されなかった。
しかし、全てのテスト画像は正しく分類された。
さらに,本手法が患者レースの違いに対処できることを実証した。
従来の手法では実現していない。
本研究は「眼科医補助」から「眼科医非独立診断システム」への網膜CT画像の自動診断技術の導入の可能性を示した。
関連論文リスト
- Diagnosis of diabetic retinopathy using machine learning & deep learning technique [0.4218593777811082]
本稿では,物体検出と機械学習の分類技術を用いた新しい基礎検出手法を提案する。
我々は、YOLO_V8を用いて、眼底画像の物体検出を行い、光ディスク、光カップ、病変などの関心領域(ROI)を特定する。
次に、病理徴候の有無に基づいて、機械学習SVM分類アルゴリズムを用いてROIを異なるDRステージに分類する。
論文 参考訳（メタデータ） (2024-11-25T10:09:37Z) - Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
医用画像のテキストレポートの代替としてアイトラッキングを提案する。
医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。
対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
論文 参考訳（メタデータ） (2023-12-11T02:27:45Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - Are Macula or Optic Nerve Head Structures better at Diagnosing Glaucoma?
An Answer using AI and Wide-Field Optical Coherence Tomography [48.7576911714538]
我々は3次元広視野CTスキャンで視神経頭部(ONH)と黄斑構造を自動的に分割する深層学習アルゴリズムを開発した。
分類アルゴリズムにより,ONHおよび黄斑組織を0.94$pm$0.003のDCで分画することができた。
これにより3次元広視野CTスキャンが主流となる可能性がある。
論文 参考訳（メタデータ） (2022-10-13T01:51:29Z) - RADNet: Ensemble Model for Robust Glaucoma Classification in Color
Fundus Images [0.0]
緑内障は最も重篤な眼疾患の1つで、急激な進行と不可逆性失明を特徴とする。
集団の正常な緑内障検診では早期発見が改善するが,病原性チェックアップの望ましい頻度は期待できないことが多い。
本研究では,高度な画像前処理手法と深層分類ネットワークのアンサンブルを併用した画像前処理手法を提案する。
論文 参考訳（メタデータ） (2022-05-25T16:48:00Z) - Geometric Deep Learning to Identify the Critical 3D Structural Features
of the Optic Nerve Head for Glaucoma Diagnosis [52.06403518904579]
視神経頭(ONH)は緑内障の発生・進展過程において複雑で深い3次元形態変化を呈する。
我々は3D ONH点群から緑内障の診断にPointNetと動的グラフ畳み込みニューラルネットワーク(DGCNN)を用いた。
幅広い眼科疾患の診断・予後に臨床応用される可能性も高い。
論文 参考訳（メタデータ） (2022-04-14T12:52:10Z) - A deep learning model for classification of diabetic retinopathy in eye
fundus images based on retinal lesion detection [0.0]
糖尿病網膜症(英: Diabetic retinopathy, DR)は、糖尿病が網膜に影響を及ぼす結果である。
失明の原因は、未診断で治療を受けていない場合である。
本稿では眼底画像の自動DR分類モデルを提案する。
論文 参考訳（メタデータ） (2021-10-14T22:04:59Z) - Interpretable Automated Diagnosis of Retinal Disease using Deep OCT
Analysis [7.005458308454871]
我々は,OCTスキャンの正確な分類のためのCNNベースモデルを開発した。
我々は、モデルの判断に関する質的および定量的な説明の両方を作成することに重点を置いている。
私たちの仕事は、モデルの決定について、初めて詳細な説明をしました。
論文 参考訳（メタデータ） (2021-09-03T17:59:34Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳（メタデータ） (2021-03-02T13:14:15Z) - A Benchmark of Ocular Disease Intelligent Recognition: One Shot for
Multi-disease Detection [9.059366200759722]
眼科領域では、早期眼底スクリーニングは眼疾患による盲目を防ぐ経済的かつ効果的な方法である。
実際の医療現場に合わせて8つの疾患のデータセットを公開し、5,000人の患者の両眼からの1万の眼底画像を含む。
論文 参考訳（メタデータ） (2021-02-16T07:00:49Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳（メタデータ） (2020-05-12T08:01:16Z)
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。