論文の概要: Robust Collaborative Learning of Patch-level and Image-level Annotations
for Diabetic Retinopathy Grading from Fundus Image
- arxiv url: http://arxiv.org/abs/2008.00610v2
- Date: Thu, 18 Mar 2021 07:35:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 06:22:34.124585
- Title: Robust Collaborative Learning of Patch-level and Image-level Annotations
for Diabetic Retinopathy Grading from Fundus Image
- Title（参考訳）: 基礎画像を用いた糖尿病網膜症に対するパッチレベルおよび画像レベルのロバスト協調学習
- Authors: Yehui Yang, Fangxin Shang, Binghong Wu, Dalu Yang, Lei Wang, Yanwu Xu,
Wensheng Zhang, Tianzhu Zhang
- Abstract要約: DR重度評価のための,パッチレベルのアノテーションとイメージレベルのアノテーションを協調的に利用する,堅牢なフレームワークを提案する。
エンドツーエンドの最適化により、このフレームワークは微細な病変と画像レベルのグレード情報を双方向に交換することができる。
提案手法は,9年以上の経験を持つ最近の最先端のアルゴリズムと3人の臨床眼科医に比較して,優れた性能を示す。
- 参考スコア（独自算出の注目度）: 33.904136933213735
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diabetic retinopathy (DR) grading from fundus images has attracted increasing
interest in both academic and industrial communities. Most convolutional neural
network (CNN) based algorithms treat DR grading as a classification task via
image-level annotations. However, these algorithms have not fully explored the
valuable information in the DR-related lesions. In this paper, we present a
robust framework, which collaboratively utilizes patch-level and image-level
annotations, for DR severity grading. By an end-to-end optimization, this
framework can bi-directionally exchange the fine-grained lesion and image-level
grade information. As a result, it exploits more discriminative features for DR
grading. The proposed framework shows better performance than the recent
state-of-the-art algorithms and three clinical ophthalmologists with over nine
years of experience. By testing on datasets of different distributions (such as
label and camera), we prove that our algorithm is robust when facing image
quality and distribution variations that commonly exist in real-world practice.
We inspect the proposed framework through extensive ablation studies to
indicate the effectiveness and necessity of each motivation. The code and some
valuable annotations are now publicly available.
- Abstract（参考訳）: 基礎画像からの糖尿病網膜症 (DR) は, 学術的, 産業的にも関心を集めている。
ほとんどの畳み込みニューラルネットワーク(CNN)ベースのアルゴリズムは、DRグレーディングを画像レベルのアノテーションによる分類タスクとして扱う。
しかし,これらのアルゴリズムは,dr関連病変の貴重な情報を十分に検討していない。
本稿では,パッチレベルのアノテーションと画像レベルのアノテーションを協調的に利用するロバストなフレームワークを提案する。
エンドツーエンドの最適化により、このフレームワークは微細な病変と画像レベルのグレード情報を双方向に交換することができる。
その結果、DRグレーディングにおいてより差別的な特徴を活用できる。
提案手法は、9年以上の経験を持つ最新のアルゴリズムや3人の臨床眼科医よりも優れた性能を示している。
ラベルやカメラなど)の異なる分布のデータセットをテストすることで、実際の実践で一般的に見られる画質や分布の変化に直面すると、アルゴリズムが堅牢であることを証明する。
提案手法を広範囲にわたるアブレーション研究により検討し,それぞれのモチベーションの有効性と必要性を示す。
コードと貴重なアノテーションが公開されている。
関連論文リスト
- RIDE: Self-Supervised Learning of Rotation-Equivariant Keypoint
Detection and Invariant Description for Endoscopy [83.4885991036141]
RIDEは回転同変検出と不変記述のための学習に基づく手法である。
内視鏡画像の大規模なキュレーションを自己指導的に行う。
マッチングと相対的なポーズ推定タスクに対して、最先端のパフォーマンスを新たに設定する。
論文 参考訳（メタデータ） (2023-09-18T08:16:30Z) - Improving Classification of Retinal Fundus Image Using Flow Dynamics
Optimized Deep Learning Methods [0.0]
糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。
経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
論文 参考訳（メタデータ） (2023-04-29T16:11:34Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Self-Supervised Endoscopic Image Key-Points Matching [1.3764085113103222]
本稿では,深層学習技術に基づく内視鏡画像マッチングのための新しい自己教師型アプローチを提案する。
提案手法は,手作りの標準的なローカル特徴記述子よりも精度とリコールの点で優れていた。
論文 参考訳（メタデータ） (2022-08-24T10:47:21Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Lesion-based Contrastive Learning for Diabetic Retinopathy Grading from
Fundus Images [2.498907460918493]
糖尿病網膜症自動評価のための自己教師型フレームワーク,すなわち病変に基づくコントラスト学習を提案する。
提案フレームワークは,リニア評価と転送容量評価の両方の観点から,DRグレーディングを際立たせる。
論文 参考訳（メタデータ） (2021-07-17T16:30:30Z) - Categorical Relation-Preserving Contrastive Knowledge Distillation for
Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。
この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。
CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文 参考訳（メタデータ） (2021-07-07T13:56:38Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - 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) - 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) - ExplAIn: Explanatory Artificial Intelligence for Diabetic Retinopathy
Diagnosis [0.46137254657294535]
ブラックボックスAIと同等の性能に達するeXplanatory Artificial Intelligence(XAI)について述べる。
ExplAInと呼ばれるこのアルゴリズムは、画像の病変を分類し分類することを学ぶ。
この新しいフレームワークは、AIデプロイメントを容易にするために、高い分類性能と説明可能性を提供しています。
論文 参考訳（メタデータ） (2020-08-13T07:34:05Z)
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。