Fugu-MT 論文翻訳(概要): G1020: A Benchmark Retinal Fundus Image Dataset for Computer-Aided Glaucoma Detection

論文の概要: G1020: A Benchmark Retinal Fundus Image Dataset for Computer-Aided Glaucoma Detection

arxiv url: http://arxiv.org/abs/2006.09158v1
Date: Thu, 28 May 2020 14:29:03 GMT
ステータス: 処理完了
システム内更新日: 2022-11-27 05:01:31.403023
Title: G1020: A Benchmark Retinal Fundus Image Dataset for Computer-Aided Glaucoma Detection
Title（参考訳）: G1020:コンピュータ支援緑内障検出のためのベンチマーク網膜基底画像データセット
Authors: Muhammad Naseer Bajwa, Gur Amrit Pal Singh, Wolfgang Neumeier, Muhammad Imran Malik, Andreas Dengel, Sheraz Ahmed
Abstract要約: G1020という緑内障分類のための大規模な網膜基底画像データセットを公開している。このデータセットは、通常の眼科における標準の慣行に従ってキュレートされ、緑内障検出の標準ベンチマークデータセットとして機能することが期待されている。
参考スコア（独自算出の注目度）: 6.201033439090515
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Scarcity of large publicly available retinal fundus image datasets for automated glaucoma detection has been the bottleneck for successful application of artificial intelligence towards practical Computer-Aided Diagnosis (CAD). A few small datasets that are available for research community usually suffer from impractical image capturing conditions and stringent inclusion criteria. These shortcomings in already limited choice of existing datasets make it challenging to mature a CAD system so that it can perform in real-world environment. In this paper we present a large publicly available retinal fundus image dataset for glaucoma classification called G1020. The dataset is curated by conforming to standard practices in routine ophthalmology and it is expected to serve as standard benchmark dataset for glaucoma detection. This database consists of 1020 high resolution colour fundus images and provides ground truth annotations for glaucoma diagnosis, optic disc and optic cup segmentation, vertical cup-to-disc ratio, size of neuroretinal rim in inferior, superior, nasal and temporal quadrants, and bounding box location for optic disc. We also report baseline results by conducting extensive experiments for automated glaucoma diagnosis and segmentation of optic disc and optic cup.
Abstract（参考訳）: 緑内障自動検出のための大規模な網膜基底画像データセットの公開は、実用的なコンピュータ支援診断(CAD)への人工知能の応用の成功のボトルネックとなっている。研究コミュニティで利用可能な少数の小さなデータセットは、通常、非現実的な画像キャプチャ条件と厳格な包摂基準に悩まされる。既存のデータセットの選択肢が限られているこれらの欠点は、CADシステムの成熟を難しくし、実際の環境で実行できるようにする。本稿ではG1020と呼ばれる緑内障分類のための大規模な網膜基底画像データセットを提案する。このデータセットは、通常の眼科における標準のプラクティスに準拠し、緑内障検出の標準ベンチマークデータセットとして機能することが期待されている。本データベースは、1020枚の高解像度カラー・ファンドス画像からなり、緑内障の診断、光学ディスクと光学カップのセグメンテーション、垂直カップ対ディスク比、下限のニューロ網膜リムのサイズ、上限、鼻側、側頭四肢、および光学ディスクのバウンディングボックス位置のグラウンド真実アノテーションを提供する。また,眼底緑内障の診断と視神経円板と視神経カップの分画に関する広範な実験を行った。

関連論文リスト

InceptionCaps: A Performant Glaucoma Classification Model for Data-scarce Environment [0.0]
緑内障は不可逆的な眼疾患で世界第2位の視覚障害の原因です本稿では,InceptionV3を畳み込みベースとしたカプセルネットワーク(CapsNet)をベースとした新しいディープラーニングモデルであるInceptionCapsを提案する。 InceptionCapsは0.956、特異性0.96、AUC0.9556を達成し、RIM-ONE v2データセット上での最先端のディープラーニングモデルのパフォーマンスを上回った。
論文参考訳（メタデータ） (2023-11-24T11:58:11Z)
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)
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)
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)
NuI-Go: Recursive Non-Local Encoder-Decoder Network for Retinal Image Non-Uniform Illumination Removal [96.12120000492962]
網膜画像の画質は、眼の病変や不完全な画像処理のために臨床的に不満足であることが多い。網膜画像における最も難しい品質劣化問題の1つは、一様でない照明である。我々はNuI-Goと呼ばれる網膜画像に対する均一でない照明除去ネットワークを提案する。
論文参考訳（メタデータ） (2020-08-07T04:31:33Z)
Two-stage framework for optic disc localization and glaucoma classification in retinal fundus images using deep learning [9.421895248069236]
本稿では、まず光学ディスクを検出・ローカライズし、次にそれを健康的・楽観的に分類する2段階フレームワークを提案する。第1段階はRCNNに基づいており、網膜基底画像から視ディスクを局在させ、抽出する役割を担っている。第2段階では、Deep CNNを使用して抽出されたディスクを健康または緑内障に分類する。
論文参考訳（メタデータ） (2020-05-28T20:40:19Z)
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)
AGE Challenge: Angle Closure Glaucoma Evaluation in Anterior Segment Optical Coherence Tomography [61.405005501608706]
アングル閉鎖緑内障(ACG)は開角緑内障よりも攻撃的な疾患である。前部セグメント光コヒーレンス・トモグラフィー(AS-OCT)は、開角度から角度閉鎖を識別する高速で接触のない方法を提供する。既存のメソッドを均一に評価するためのパブリックなAS-OCTデータセットは存在しない。私たちは,MICCAI 2019と共同で開催したAngle closure Glaucoma Evaluation Challenge (AGE)を組織した。
論文参考訳（メタデータ） (2020-05-05T14:55:01Z)

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。