論文の概要: Automated eye disease classification method from anterior eye image
using anatomical structure focused image classification technique
- arxiv url: http://arxiv.org/abs/2005.01433v1
- Date: Mon, 4 May 2020 12:42:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 01:03:35.070532
- Title: Automated eye disease classification method from anterior eye image
using anatomical structure focused image classification technique
- Title（参考訳）: 解剖学的構造集中型画像分類法を用いた前眼画像からの眼疾患自動分類法
- Authors: Masahiro Oda, Takefumi Yamaguchi, Hideki Fukuoka, Yuta Ueno, Kensaku
Mori
- Abstract要約: 感染性・非感染性疾患に対する前眼画像の自動分類法を提案する。
YOLOv3オブジェクト検出法を用いて,非感染性疾患の角膜,非感染性疾患の角膜を検出する。
前眼画像を用いた実験では,88.3%の画像が正しく分類された。
- 参考スコア（独自算出の注目度）: 1.2424539896723599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents an automated classification method of infective and
non-infective diseases from anterior eye images. Treatments for cases of
infective and non-infective diseases are different. Distinguishing them from
anterior eye images is important to decide a treatment plan. Ophthalmologists
distinguish them empirically. Quantitative classification of them based on
computer assistance is necessary. We propose an automated classification method
of anterior eye images into cases of infective or non-infective disease.
Anterior eye images have large variations of the eye position and brightness of
illumination. This makes the classification difficult. If we focus on the
cornea, positions of opacified areas in the corneas are different between cases
of the infective and non-infective diseases. Therefore, we solve the anterior
eye image classification task by using an object detection approach targeting
the cornea. This approach can be said as "anatomical structure focused image
classification". We use the YOLOv3 object detection method to detect corneas of
infective disease and corneas of non-infective disease. The detection result is
used to define a classification result of a image. In our experiments using
anterior eye images, 88.3% of images were correctly classified by the proposed
method.
- Abstract（参考訳）: 本稿では,前眼部画像からの感染性および非感染性疾患の自動分類法を提案する。
感染性疾患と非感染性疾患の治療法は異なる。
前眼画像と区別することは治療計画を決定する上で重要である。
眼科医はそれらを経験的に区別する。
コンピュータ支援に基づく定量的な分類が必要である。
感染性または非感染性疾患に対する前眼画像の自動分類法を提案する。
前眼画像は、目の位置や照明の明るさに大きな変化がある。
これにより分類が困難になる。
角膜に焦点をあてると、角膜内の不透明領域の位置は、感染性疾患と非感染性疾患とで異なる。
そこで我々は,角膜を対象とする物体検出手法を用いて,前眼画像分類課題を解決する。
このアプローチは「解剖学的構造にフォーカスした画像分類」と言えます。
YOLOv3オブジェクト検出法を用いて,非感染性疾患の角膜,非感染性疾患の角膜を検出する。
検出結果は、画像の分類結果を定義するために使用される。
前眼部画像を用いた実験では,88.3%の画像が正しく分類された。
関連論文リスト
- FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。
このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。
本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
論文 参考訳（メタデータ） (2024-10-29T21:37:03Z) - PALM: Open Fundus Photograph Dataset with Pathologic Myopia Recognition
and Anatomical Structure Annotation [41.80715213373843]
病理組織学的ミオピア (PM) は、高盲人人口による一般的な筋性網膜変性症である。
本稿では,病理診断のためのオープン・ベース画像データセットPALMと解剖学的構造アノテーションについて考察する。
論文 参考訳（メタデータ） (2023-05-13T02:00:06Z) - Few-Shot Meta Learning for Recognizing Facial Phenotypes of Genetic
Disorders [55.41644538483948]
分類の自動化と類似性検索は、医師が可能な限り早期に遺伝状態の診断を行うための意思決定を支援する。
従来の研究は分類問題としてこの問題に対処し、深層学習法を用いてきた。
本研究では,健常人の大規模なコーパスで訓練した顔認識モデルを用いて,顔の表情認識に移行した。
論文 参考訳（メタデータ） (2022-10-23T11:52:57Z) - Artifact-Tolerant Clustering-Guided Contrastive Embedding Learning for
Ophthalmic Images [18.186766129476077]
眼科画像の表現を学習するための,EyeLearnと呼ばれる人工物耐性の非教師なし学習フレームワークを提案する。
EyeLearnには、アーティファクトのない眼科画像の最良の予測が可能な表現を学ぶためのアーティファクト修正モジュールがある。
EyeLearnを評価するために,緑内障患者の実眼画像データセットを用いて,視覚野の予測と緑内障検出に学習表現を用いた。
論文 参考訳（メタデータ） (2022-09-02T01:25:45Z) - Multi-Label Retinal Disease Classification using Transformers [0.0]
新たな多ラベル網膜疾患データセットである MuReD が構築され、眼底疾患分類のために公開されているデータセットが多数使用されている。
広範な実験によって最適化されたトランスフォーマーベースのモデルは、画像解析と意思決定に使用される。
この手法は, 疾患検出と疾患分類のためのAUCスコアの7.9%と8.1%の精度で, 同じ課題における最先端の作業よりも優れていた。
論文 参考訳（メタデータ） (2022-07-05T22:06:52Z) - Automatic detection of glaucoma via fundus imaging and artificial
intelligence: A review [0.4215938932388722]
緑内障は世界中で不可逆的な視覚障害の原因となっている。
ファンダスイメージングは非侵襲的で低コストである。
人工知能は、光学カップとディスクの境界を自動的に見つけることができる。
論文 参考訳（メタデータ） (2022-04-12T07:47:13Z) - MTCD: Cataract Detection via Near Infrared Eye Images [69.62768493464053]
白内障は一般的な眼疾患であり、盲目や視力障害の主な原因の1つである。
近赤外画像を用いた白内障検出のための新しいアルゴリズムを提案する。
深層学習に基づくアイセグメンテーションとマルチタスクネットワーク分類ネットワークについて述べる。
論文 参考訳（メタデータ） (2021-10-06T08:10:28Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - 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) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z)
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。