論文の概要: A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability

• arxiv url: http://arxiv.org/abs/2008.09772v3
• Date: Wed, 11 Nov 2020 10:49:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 08:05:11.058429
• Title: A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability
• Title（参考訳）: 糖尿病網膜症研究の基準 : セグメンテーション, グレーディング, 移植性
• Authors: Yi Zhou, Boyang Wang, Lei Huang, Shanshan Cui and Ling Shao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 76.64661091980531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: People with diabetes are at risk of developing an eye disease called diabetic retinopathy (DR). This disease occurs when high blood glucose levels cause damage to blood vessels in the retina. Computer-aided DR diagnosis is a promising tool for early detection of DR and severity grading, due to the great success of deep learning. However, most current DR diagnosis systems do not achieve satisfactory performance or interpretability for ophthalmologists, due to the lack of training data with consistent and fine-grained annotations. To address this problem, we construct a large fine-grained annotated DR dataset containing 2,842 images (FGADR). This dataset has 1,842 images with pixel-level DR-related lesion annotations, and 1,000 images with image-level labels graded by six board-certified ophthalmologists with intra-rater consistency. The proposed dataset will enable extensive studies on DR diagnosis. We set up three benchmark tasks for evaluation: 1. DR lesion segmentation; 2. DR grading by joint classification and segmentation; 3. Transfer learning for ocular multi-disease identification. Moreover, a novel inductive transfer learning method is introduced for the third task. Extensive experiments using different state-of-the-art methods are conducted on our FGADR dataset, which can serve as baselines for future research.
• Abstract（参考訳）: 糖尿病患者は、糖尿病網膜症(DR)と呼ばれる眼疾患を発症するリスクがある。 この疾患は、高血糖値が網膜の血管に損傷を与えるときに起こる。 コンピュータ支援型DR診断は、ディープラーニングの大きな成功により、DRと重度グレーディングを早期に検出するための有望なツールである。 しかし、現在のDR診断システムの多くは、一貫した微妙なアノテーションによるトレーニングデータがないため、眼科医にとって満足のいく性能や解釈性は得られない。 この問題に対処するため,2,842枚(FGADR)を含む細粒度アノテートDRデータセットを構築した。 このデータセットは、1,842枚の画像にピクセルレベルのdrm関連病変アノテーション、1000枚の画像と6人の眼科医による画像レベルのラベルがある。 提案したデータセットは、DR診断に関する広範な研究を可能にする。 評価のための3つのベンチマークタスクを設定しました。 DR病変セグメンテーション; DR病変セグメンテーション 2. 統合分類と区分による博士号の格付け 3. 眼のマルチディセーゼ識別のためのトランスファーラーニング さらに,第3タスクに対して新しい帰納的伝達学習手法を導入する。 今後の研究のベースラインとなるFGADRデータセットを用いて,異なる最先端手法を用いた大規模実験を行った。

関連論文リスト

• TJDR: A High-Quality Diabetic Retinopathy Pixel-Level Annotation Dataset [12.685780222519902]
  TJDRは、トンジ大学附属のトンジ病院から得られた571枚の画像で構成されている。 画像のプライベート情報は、解剖学的構造を表示する際の明瞭さを確保しつつ、慎重に除去される。 このデータセットはトレーニングとテストセットに分割され、DR病変セグメンテーション研究コミュニティの進歩に貢献するために公開された。
  論文  参考訳（メタデータ） (2023-12-24T02:46:25Z)
• DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical Coherence Tomography Angiography Images [51.27125547308154]
  第25回医用画像コンピューティング・コンピュータ支援介入国際会議(MICCAI 2022)にともなうDRAC糖尿病網膜症解析チャレンジの企画を行った。 この課題は、DR病変の分節化、画像品質評価、DRグレーディングの3つのタスクから構成される。 本稿では,課題の各課題について,トップパフォーマンスのソリューションと結果の要約と分析を行う。
  論文  参考訳（メタデータ） (2023-04-05T12:04:55Z)
• Segmentation, Classification, and Quality Assessment of UW-OCTA Images for the Diagnosis of Diabetic Retinopathy [2.435307010444828]
  糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病の重症合併症の一つ。 本稿では,糖尿病網膜症解析チャレンジ2022(DRAC22)の3つの課題に対する解決策を提示する。 得られた結果は有望であり、セグメンテーションタスクのTOP5に位置づけることを可能にしました。
  論文  参考訳（メタデータ） (2022-11-21T14:49:18Z)
• Bag of Tricks for Developing Diabetic Retinopathy Analysis Framework to Overcome Data Scarcity [6.802798389355481]
  糖尿病網膜症 (DR) 解析課題として, 病変分割, 画像品質評価, DRグレーディングについて検討した。 各タスクに対して,アンサンブル学習,データ強化,半教師付き学習を活用した堅牢な学習手法を導入する。 疑似ラベルの負の効果を低減するため,モデルの信頼度スコアに基づいて不確実な擬似ラベルを除外する信頼性の高い擬似ラベルを提案する。
  論文  参考訳（メタデータ） (2022-10-18T03:25:00Z)
• Automatic Classification of Neuromuscular Diseases in Children Using Photoacoustic Imaging [77.32032399775152]
  神経筋疾患(NMD)は、医療システムと社会の両方に重大な負担をもたらす。 激しい進行性筋力低下、筋変性、収縮、変形、進行性障害を引き起こす。
  論文  参考訳（メタデータ） (2022-01-27T16:37:19Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• 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)
• 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)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)
• Synergic Adversarial Label Learning for Grading Retinal Diseases via Knowledge Distillation and Multi-task Learning [29.46896757506273]
  良質な医師のアノテート画像は非常に高価であり、様々な網膜疾患に対して限られた量のデータしか利用できない。 一部の研究では、AMDとDRは出血点や吐出などの一般的な特徴を共有しているが、ほとんどの分類アルゴリズムはこれらの疾患モデルを個別に訓練するだけである。 本稿では,関連網膜疾患ラベルを意味的および特徴空間の両方で付加的な信号として活用し,協調的にモデルを訓練するSALL法を提案する。
  論文  参考訳（メタデータ） (2020-03-24T01:32:04Z)

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。