論文の概要: Development and Validation of a Novel Prognostic Model for Predicting
AMD Progression Using Longitudinal Fundus Images
- arxiv url: http://arxiv.org/abs/2007.05120v1
- Date: Fri, 10 Jul 2020 00:33:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 21:34:09.405951
- Title: Development and Validation of a Novel Prognostic Model for Predicting
AMD Progression Using Longitudinal Fundus Images
- Title（参考訳）: 経時的基底画像を用いたAMD進行予測のための新しい予測モデルの開発と検証
- Authors: Joshua Bridge, Simon P. Harding, Yalin Zheng
- Abstract要約: 本研究では,不均一な時間間隔の縦画像データを用いて,疾患の進行を予測できる新しい深層学習手法を提案する。
年齢関連黄斑変性症(AMD)を呈する4903眼における眼底画像の経時的データセットについて検討した。
本手法では, 0.878の感度, 0.887の特異性, 0.950の受信機動作特性下での面積を測定できる。
- 参考スコア（独自算出の注目度）: 6.258161719849178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prognostic models aim to predict the future course of a disease or condition
and are a vital component of personalized medicine. Statistical models make use
of longitudinal data to capture the temporal aspect of disease progression;
however, these models require prior feature extraction. Deep learning avoids
explicit feature extraction, meaning we can develop models for images where
features are either unknown or impossible to quantify accurately. Previous
prognostic models using deep learning with imaging data require annotation
during training or only utilize a single time point. We propose a novel deep
learning method to predict the progression of diseases using longitudinal
imaging data with uneven time intervals, which requires no prior feature
extraction. Given previous images from a patient, our method aims to predict
whether the patient will progress onto the next stage of the disease. The
proposed method uses InceptionV3 to produce feature vectors for each image. In
order to account for uneven intervals, a novel interval scaling is proposed.
Finally, a Recurrent Neural Network is used to prognosticate the disease. We
demonstrate our method on a longitudinal dataset of color fundus images from
4903 eyes with age-related macular degeneration (AMD), taken from the
Age-Related Eye Disease Study, to predict progression to late AMD. Our method
attains a testing sensitivity of 0.878, a specificity of 0.887, and an area
under the receiver operating characteristic of 0.950. We compare our method to
previous methods, displaying superior performance in our model. Class
activation maps display how the network reaches the final decision.
- Abstract（参考訳）: 予後モデルは、疾患または状態の今後の経過を予測することを目的としており、パーソナライズされた医療の重要な構成要素である。
統計モデルでは, 病状進行の時間的側面を捉えるために経時的データを用いるが, これらのモデルには事前の特徴抽出が必要である。
ディープラーニングは、明示的な特徴抽出を避けるため、特徴が未知であるか、正確に定量化できない画像のモデルを開発することができる。
画像データを用いたディープラーニングを用いた従来の予後モデルでは、トレーニング中にアノテーションを必要とするか、1つの時点しか利用できない。
本研究では,不均一な時間間隔の時系列画像データを用いて,疾患の進行を予測するための新しい深層学習手法を提案する。
本手法は, 患者の過去の画像から, 患者が次の段階に進行するかどうかを予測することを目的としている。
提案手法はinceptionv3を用いて各画像の特徴ベクトルを生成する。
不均一な間隔を考慮し,新しい間隔スケーリングを提案する。
最後に、再発性ニューラルネットワークを使用して疾患を診断する。
本研究では,年齢関連眼疾患研究から得られた年齢関連黄斑変性症(amd)4903眼の色眼底画像の経時的データセットを用いて,amdの進行を予測した。
本手法では, 0.878の感度, 0.887の特異性, 0.950の受信機動作特性下での面積を測定できる。
我々は,提案手法を従来の手法と比較し,優れた性能を示す。
クラスアクティベーションマップは、ネットワークが最終決定に達する方法を示す。
関連論文リスト
- Extrapolating Prospective Glaucoma Fundus Images through Diffusion Model in Irregular Longitudinal Sequences [46.80977922491862]
緑内障進行予測のための経時的データセットの利用は、早期治療の介入を支援するための説得力のあるアプローチを提供する。
本研究では, 既往の経時的底面像を外挿し, 将来像を予測できる新しい拡散モデルを提案する。
論文 参考訳（メタデータ） (2024-10-28T15:31:47Z) - Multi-task Learning Approach for Intracranial Hemorrhage Prognosis [0.0]
本稿では,Glasgow Coma Scale と Age の3次元マルチタスク画像モデルを提案する。
提案手法は現状のベースライン画像モデルより優れており,CTスキャンのみを入力として用いた4名の脳神経科医と比較してICH予後に優れていた。
論文 参考訳（メタデータ） (2024-08-16T14:56:17Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - LMT: Longitudinal Mixing Training, a Framework to Predict Disease
Progression from a Single Image [1.805673949640389]
本稿では,2つの連続試験間の重み付き平均時間である$t_mix$を用いて,時間認識モデルのトレーニングを行う新しい方法を提案する。
AUCは0.798で、視線は0.641で、視線は1枚の画像で重篤なDRを発生させるかどうかを予測した。
論文 参考訳（メタデータ） (2023-10-16T14:01:20Z) - Psychotic Relapse Prediction in Schizophrenia Patients using A Mobile
Sensing-based Supervised Deep Learning Model [1.4922888318989764]
モバイルセンシングに基づく行動変化のモデリングは、統合失調症患者の時間的介入に対する精神遅滞を予測できる。
深層学習モデルは、予測に関連する潜在行動の特徴をモデル化することによって、再学習予測のための既存の非深層学習モデルを補完することができる。
本稿では,リラプス予測のためのニューラルネットワークモデルであるRelapsePredNetを提案する。
論文 参考訳（メタデータ） (2022-05-24T17:34:19Z) - Continual Learning with Bayesian Model based on a Fixed Pre-trained
Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。
人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文 参考訳（メタデータ） (2022-04-28T08:41:51Z) - On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。
本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。
テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
論文 参考訳（メタデータ） (2022-03-10T18:51:29Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳（メタデータ） (2020-02-06T17:25:37Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z) - CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in
MPR Images [0.0]
MPR画像における狭窄の重症度を同定する自動モデルを開発した。
このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。
狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
論文 参考訳（メタデータ） (2020-01-23T15:20:22Z)
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。