論文の概要: Utilizing Transfer Learning and a Customized Loss Function for Optic Disc Segmentation from Retinal Images

• arxiv url: http://arxiv.org/abs/2010.00583v1
• Date: Thu, 1 Oct 2020 17:55:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 08:36:24.303451
• Title: Utilizing Transfer Learning and a Customized Loss Function for Optic Disc Segmentation from Retinal Images
• Title（参考訳）: 網膜画像からの光ディスク分割のための転送学習とカスタマイズロス関数の利用
• Authors: Abdullah Sarhan, Ali Al-Khaz\'Aly, Adam Gorner, Andrew Swift, Jon Rokne, Reda Alhajj, and Andrew Crichton
• Abstract要約: 本稿では,高精細網膜基底像から光学ディスクを分割する深層学習手法を提案する。 このアプローチでは、ImageNetデータセットに基づいてトレーニングされたVGG16エンコーダを備えた、UNETベースのモデルを使用する。 我々は99.78%の精度と94.73%のDice係数を網膜画像から0.03秒で達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate segmentation of the optic disc from a retinal image is vital to extracting retinal features that may be highly correlated with retinal conditions such as glaucoma. In this paper, we propose a deep-learning based approach capable of segmenting the optic disc given a high-precision retinal fundus image. Our approach utilizes a UNET-based model with a VGG16 encoder trained on the ImageNet dataset. This study can be distinguished from other studies in the customization made for the VGG16 model, the diversity of the datasets adopted, the duration of disc segmentation, the loss function utilized, and the number of parameters required to train our model. Our approach was tested on seven publicly available datasets augmented by a dataset from a private clinic that was annotated by two Doctors of Optometry through a web portal built for this purpose. We achieved an accuracy of 99.78\% and a Dice coefficient of 94.73\% for a disc segmentation from a retinal image in 0.03 seconds. The results obtained from comprehensive experiments demonstrate the robustness of our approach to disc segmentation of retinal images obtained from different sources.
• Abstract（参考訳）: 網膜画像からの光学ディスクの正確なセグメンテーションは、緑内障などの網膜条件と高い相関性を持つ網膜の特徴を抽出するために不可欠である。 本稿では,高精度網膜眼底像を与えられた視神経円板を分割できるディープラーニング手法を提案する。 このアプローチでは、ImageNetデータセットに基づいてトレーニングされたVGG16エンコーダを備えたUNETベースのモデルを使用する。 本研究は,vgg16モデルのカスタマイズ,採用したデータセットの多様性,ディスクセグメンテーションの継続時間,損失関数の利用,モデルのトレーニングに必要なパラメータ数といった他の研究と区別することができる。 この目的のために構築されたWebポータルを通じて,2人の医師が注釈を付けたプライベートクリニックのデータセットによって強化された7つの公開データセットに対して,このアプローチをテストした。 網膜像からのディスクセグメンテーションに対する99.78\%とサイス係数94.73\%の精度を0.03秒で達成した。 包括的実験により得られた結果は、異なる情報源から得られた網膜画像の円板分割に対するアプローチのロバスト性を示している。

関連論文リスト

• Progressive Retinal Image Registration via Global and Local Deformable Transformations [49.032894312826244]
  我々はHybridRetinaと呼ばれるハイブリッド登録フレームワークを提案する。 キーポイント検出器とGAMorphと呼ばれる変形ネットワークを用いて、大域的な変換と局所的な変形可能な変換を推定する。 FIREとFLoRI21という2つの広く使われているデータセットの実験により、提案したHybridRetina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） (2024-09-02T08:43:50Z)
• LMBiS-Net: A Lightweight Multipath Bidirectional Skip Connection based CNN for Retinal Blood Vessel Segmentation [0.0]
  ブラディングアイの病気は、しばしば変化した網膜形態と相関し、眼底画像の網膜構造をセグメント化することによって臨床的に識別できる。 深層学習は、医用画像のセグメンテーションにおいて有望であるが、反復的な畳み込みとプール操作への依存は、エッジ情報の表現を妨げる可能性がある。 LMBiS-Net と呼ばれる軽量な画素レベルのCNNを網膜血管のセグメンテーションのために提案する。
  論文  参考訳（メタデータ） (2023-09-10T09:03:53Z)
• Retinal Image Segmentation with Small Datasets [25.095695898777656]
  糖尿病黄斑浮腫(DME)、加齢関連黄斑変性(AMD)、緑内障などの多くの眼疾患が網膜に出現し、不可逆的な失明や中心バージョンに深刻な障害を引き起こす。 オプティカルコヒーレンス・トモグラフィ(OCT)は網膜の3Dスキャンであり、網膜解剖の変化を診断し、モニターするために用いられる。 多くのDeep Learning(DL)メソッドは、網膜の病理学的変化を監視する自動化ツールの開発の成功を共有している。
  論文  参考訳（メタデータ） (2023-03-09T08:32:14Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Transfer Learning Through Weighted Loss Function and Group Normalization for Vessel Segmentation from Retinal Images [0.0]
  血管の血管構造は緑内障や糖尿病網膜症などの網膜疾患の診断に重要である。 深層学習とトランスファー学習を併用した網膜血管のセグメンテーション手法を提案する。 提案手法は,他の手法よりもセグメンテーション精度が高い。
  論文  参考訳（メタデータ） (2020-12-16T20:34:48Z)
• 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)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)
• Additive Angular Margin for Few Shot Learning to Classify Clinical Endoscopy Images [42.74958357195011]
  我々は、トレーニングデータが少なくなり、未知のデータセットからテストサンプルのラベルクラスを予測するために使用できる、数ショットの学習手法を提案する。 我々は,マルチセンター,マルチオーガナイズド,マルチモーダル内視鏡データの大規模コホートにおけるいくつかの確立された手法との比較を行った。
  論文  参考訳（メタデータ） (2020-03-23T00:20:52Z)
• Optimal Transfer Learning Model for Binary Classification of Funduscopic Images through Simple Heuristics [0.8370915747360484]
  深層学習ニューラルネットワークを用いて、眼内画像の視覚的表現を診断する。 本稿では, 病原体が健康であるか, 病原体なのかを, 低コストで推定する, 病原体分類の統一モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-11T03:49:14Z)

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。