論文の概要: DcardNet: Diabetic Retinopathy Classification at Multiple Levels Based
on Structural and Angiographic Optical Coherence Tomography
- arxiv url: http://arxiv.org/abs/2006.05480v2
- Date: Thu, 24 Sep 2020 22:03:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-11-23 14:45:33.280223
- Title: DcardNet: Diabetic Retinopathy Classification at Multiple Levels Based
on Structural and Angiographic Optical Coherence Tomography
- Title（参考訳）: dcardnet : 構造的および血管造影的コヒーレンス断層撮影による糖尿病網膜症の多段階分類
- Authors: Pengxiao Zang, Liqin Gao, Tristan T. Hormel, Jie Wang, Qisheng You,
Thomas S. Hwang and Yali Jia
- Abstract要約: 糖尿病網膜症(DR)分類の枠組みを満たすために,畳み込みニューラルネットワーク(CNN)に基づく手法を提案する。
DR分類のために、適応レートドロップアウト(DcardNet)を備えた高密度かつ連続的に接続されたニューラルネットワークを設計する。
国際臨床糖尿病網膜症尺度に基づいて3つの分類レベルを作成した。
- 参考スコア（独自算出の注目度）: 1.9262162668141078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Optical coherence tomography (OCT) and its angiography (OCTA) have
several advantages for the early detection and diagnosis of diabetic
retinopathy (DR). However, automated, complete DR classification frameworks
based on both OCT and OCTA data have not been proposed. In this study, a
convolutional neural network (CNN) based method is proposed to fulfill a DR
classification framework using en face OCT and OCTA. Methods: A densely and
continuously connected neural network with adaptive rate dropout (DcardNet) is
designed for the DR classification. In addition, adaptive label smoothing was
proposed and used to suppress overfitting. Three separate classification levels
are generated for each case based on the International Clinical Diabetic
Retinopathy scale. At the highest level the network classifies scans as
referable or non-referable for DR. The second level classifies the eye as
non-DR, non-proliferative DR (NPDR), or proliferative DR (PDR). The last level
classifies the case as no DR, mild and moderate NPDR, severe NPDR, and PDR.
Results: We used 10-fold cross-validation with 10% of the data to assess the
networks performance. The overall classification accuracies of the three levels
were 95.7%, 85.0%, and 71.0% respectively. Conclusion/Significance: A reliable,
sensitive and specific automated classification framework for referral to an
ophthalmologist can be a key technology for reducing vision loss related to DR.
- Abstract（参考訳）: 目的:光学コヒーレンス断層撮影(OCT)とその血管造影(OCTA)は糖尿病網膜症(DR)の早期発見と診断にいくつかの利点がある。
しかし,OCTデータとOCTAデータに基づく自動完全DR分類フレームワークは提案されていない。
本研究では, 畳み込みニューラルネットワーク(CNN)を用いた, en face OCT と OCTA を用いた DR 分類フレームワークを実現する手法を提案する。
方法:適応レートドロップアウト(DcardNet)を備えた密結合型ニューラルネットワークはDR分類のために設計されている。
さらに,適応ラベル平滑化を提案し,過剰フィッティング抑制に用いた。
国際臨床糖尿病網膜症尺度に基づいて各症例に3つの分類レベルが生成される。
第2レベルは、眼を非dr、非増殖性dr(npdr)、増殖性dr(pdr)と分類する。
最後のレベルは、DRなし、軽度、中等度NPDR、重度NPDR、PDRと分類される。
結果: ネットワークの性能評価には10倍のクロスバリデーションと10%のデータを用いた。
総合的な分類は95.7%、85.0%、71.0%であった。
結語/意義:眼科医への紹介のための信頼性があり、センシティブで特異的な自動分類フレームワークは、DRに関連する視覚損失を減らすための重要な技術である。
関連論文リスト
- Comprehensive Evaluation of OCT-based Automated Segmentation of Retinal Layer, Fluid and Hyper-Reflective Foci: Impact on Diabetic Retinopathy Severity Assessment [0.0]
糖尿病網膜症(DR)は視覚障害の主要な原因であり、不可逆的な損傷を防ぐために早期かつ正確な評価が必要である。
本研究では,網膜層の自動セグメンテーションのための能動的学習に基づくディープラーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2025-03-03T07:23:56Z) - DISCOVER: 2-D Multiview Summarization of Optical Coherence Tomography
Angiography for Automatic Diabetic Retinopathy Diagnosis [1.6788804044046786]
糖尿病網膜症(英: Diabetic Retinopathy、DR)は、糖尿病の眼合併症である。
伝統的に、DRはカラーファンドス・フォトグラフィー(CFP)を用いて監視される。
本稿では3次元OCTAを用いた自動DR評価について検討する。
論文 参考訳（メタデータ） (2024-01-10T13:06:40Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳（メタデータ） (2023-04-26T14:11:04Z) - Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。
また、TNCD: Thyroid Nodule Classification データセットも提供します。
論文 参考訳（メタデータ） (2022-07-02T11:50:02Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Blindness (Diabetic Retinopathy) Severity Scale Detection [0.0]
糖尿病網膜症(英: Diabetic retinopathy, DR)は、糖尿病の重篤な合併症である。
DRのタイムリーな診断と治療は、視力の喪失を避けるために重要である。
本稿では,網膜基底画像の自動スクリーニングのための新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-04T11:31:15Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Learning Discriminative Representations for Fine-Grained Diabetic
Retinopathy Grading [6.129288755571804]
糖尿病網膜症は視覚障害の主要な原因の1つである。
病気の重症度を判定するには、眼科医は眼底画像の識別部分に焦点を当てる必要がある。
論文 参考訳（メタデータ） (2020-11-04T04:16:55Z) - Sea-Net: Squeeze-And-Excitation Attention Net For Diabetic Retinopathy
Grading [9.181677987146418]
糖尿病は個人で最も一般的な病気の1つである。
糖尿病網膜症 (DR) は糖尿病の合併症であり、失明を引き起こす可能性がある。
網膜画像に基づくDRグレーディングは、治療計画のための診断と予後に優れた価値を提供する。
論文 参考訳（メタデータ） (2020-10-29T03:48:01Z) - Conversion and Implementation of State-of-the-Art Deep Learning
Algorithms for the Classification of Diabetic Retinopathy [0.0]
Inception-V3, VGG19, VGG16, ResNet50, InceptionResNetV2を実験により評価した。
彼らは、DR重度に基づいて、医療画像を5つの異なるクラスに分類する。
実験の結果、ResNet50はバイナリ分類の最高性能を示している。
論文 参考訳（メタデータ） (2020-10-07T20:42:14Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z) - Multi-Task Neural Networks with Spatial Activation for Retinal Vessel
Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。
提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文 参考訳（メタデータ） (2020-07-18T05:46:47Z)
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。