論文の概要: Improving Robustness using Joint Attention Network For Detecting Retinal
Degeneration From Optical Coherence Tomography Images
- arxiv url: http://arxiv.org/abs/2005.08094v2
- Date: Tue, 19 May 2020 01:16:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 14:01:53.791927
- Title: Improving Robustness using Joint Attention Network For Detecting Retinal
Degeneration From Optical Coherence Tomography Images
- Title（参考訳）: 光コヒーレンストモグラフィ画像からの網膜変性検出のための共同注意ネットワークを用いたロバスト性の改善
- Authors: Sharif Amit Kamran, Alireza Tavakkoli, Stewart Lee Zuckerbrod
- Abstract要約: 本稿では,2つのジョイントネットワークからなる新しいアーキテクチャとして,病原性特徴表現を用いることを提案する。
公開データセットに対する実験結果から,提案したジョイントネットワークは,未確認データセット上での最先端網膜疾患分類ネットワークの精度と堅牢性を大幅に向上することが示された。
- 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: Noisy data and the similarity in the ocular appearances caused by different
ophthalmic pathologies pose significant challenges for an automated expert
system to accurately detect retinal diseases. In addition, the lack of
knowledge transferability and the need for unreasonably large datasets limit
clinical application of current machine learning systems. To increase
robustness, a better understanding of how the retinal subspace deformations
lead to various levels of disease severity needs to be utilized for
prioritizing disease-specific model details. In this paper we propose the use
of disease-specific feature representation as a novel architecture comprised of
two joint networks -- one for supervised encoding of disease model and the
other for producing attention maps in an unsupervised manner to retain disease
specific spatial information. Our experimental results on publicly available
datasets show the proposed joint-network significantly improves the accuracy
and robustness of state-of-the-art retinal disease classification networks on
unseen datasets.
- Abstract（参考訳）: 異なる眼疾患による眼の外観のノイズデータと類似性は、網膜疾患を正確に検出する自動化専門家システムにとって重要な課題である。
さらに、知識転送能力の欠如と不当に大規模なデータセットの必要性は、現在の機械学習システムの臨床応用を制限する。
堅牢性を高めるために、網膜のサブスペースの変形が病気の重症度にどのように影響するかをよりよく理解し、疾患特異的モデルの詳細を優先順位付けする必要がある。
本稿では, 病原性特徴表現を2つの共同ネットワークからなる新しいアーキテクチャとして, 病原性特徴表現を用いて, 病原性空間情報を保持するために, 病原性特徴表現を教師なしで生成する手法を提案する。
提案する共同ネットワークは,未発見のデータセット上で,最先端の網膜疾患分類ネットワークの精度とロバスト性を大幅に向上させる。
関連論文リスト
- Enhance Eye Disease Detection using Learnable Probabilistic Discrete Latents in Machine Learning Architectures [1.6000489723889526]
糖尿病網膜症や緑内障などの眼疾患は、公衆衛生上の重大な課題となる。
深層学習モデルは、網膜イメージングのような医療画像を分析する強力なツールとして登場した。
課題は、モデル適合性と不確実性の推定であり、これは臨床的な意思決定に不可欠である。
論文 参考訳（メタデータ） (2024-01-21T04:14:54Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - DualStreamFoveaNet: A Dual Stream Fusion Architecture with Anatomical Awareness for Robust Fovea Localization [6.278444803136043]
マルチキュー核融合のためのDualStreamFoveaNet (DSFN) と呼ばれる新しいトランスフォーマーアーキテクチャを提案する。
このアーキテクチャは、網膜と血管の分布を用いた長距離接続とグローバルな特徴をはっきりと組み込んで、堅牢な葉の局在を図っている。
DSFNは、正常な網膜像と疾患のある網膜像の両方においてより堅牢であり、クロスデータセット実験においてキャパシティの一般化がより優れていることを実証する。
論文 参考訳（メタデータ） (2023-02-14T10:40:20Z) - Feature Representation Learning for Robust Retinal Disease Detection
from Optical Coherence Tomography Images [0.0]
眼科画像は、異なる網膜変性疾患を区別する自動化技術で失敗する、同一の外観の病理を含んでいる可能性がある。
本研究では,3つの学習ヘッドを持つ堅牢な疾患検出アーキテクチャを提案する。
2つのOCTデータセットによる実験結果から,提案モデルが既存の最先端モデルよりも精度,解釈可能性,堅牢性に優れ,網膜外網膜疾患の検出に有用であることが示唆された。
論文 参考訳（メタデータ） (2022-06-24T07:59:36Z) - ROCT-Net: A new ensemble deep convolutional model with improved spatial
resolution learning for detecting common diseases from retinal OCT images [0.0]
本稿では,OCT画像から網膜疾患を検出するために,新たな深層アンサンブル畳み込みニューラルネットワークを提案する。
本モデルは,2つの頑健な畳み込みモデルの学習アーキテクチャを用いて,リッチかつマルチレゾリューションな特徴を生成する。
2つのデータセットに関する実験と、他のよく知られた深層畳み込みニューラルネットワークとの比較により、アーキテクチャが分類精度を最大5%向上できることが証明された。
論文 参考訳（メタデータ） (2022-03-03T17:51:01Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Edge-variational Graph Convolutional Networks for Uncertainty-aware
Disease Prediction [7.6146285961466]
本研究では、画像データと非画像データを自動的に統合し、不確実性を考慮した疾患予測を行うための一般化可能なフレームワークを提案する。
4つのデータベースを用いた実験結果から,自閉症スペクトラム障害,アルツハイマー病,眼疾患の診断精度を一貫して改善できることがわかった。
論文 参考訳（メタデータ） (2020-09-06T15:53:17Z) - 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。