論文の概要: Clinically Verified Hybrid Deep Learning System for Retinal Ganglion
Cells Aware Grading of Glaucomatous Progression
- arxiv url: http://arxiv.org/abs/2010.03872v1
- Date: Thu, 8 Oct 2020 10:01:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-10-09 12:51:21.627758
- Title: Clinically Verified Hybrid Deep Learning System for Retinal Ganglion
Cells Aware Grading of Glaucomatous Progression
- Title（参考訳）: 緑内障の進展を鑑別した網膜神経節細胞のハイブリッド深層学習システム
- Authors: Hina Raja and Taimur Hassan and Muhammad Usman Akram and Naoufel
Werghi
- Abstract要約: 緑内障は世界第2位の盲目の原因である。
本稿では, 緑内障の診断と重症度評価のためのRCC萎縮症に対する新たな戦略を提案する。
- 参考スコア（独自算出の注目度）: 10.491291541765342
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: Glaucoma is the second leading cause of blindness worldwide.
Glaucomatous progression can be easily monitored by analyzing the degeneration
of retinal ganglion cells (RGCs). Many researchers have screened glaucoma by
measuring cup-to-disc ratios from fundus and optical coherence tomography
scans. However, this paper presents a novel strategy that pays attention to the
RGC atrophy for screening glaucomatous pathologies and grading their severity.
Methods: The proposed framework encompasses a hybrid convolutional network that
extracts the retinal nerve fiber layer, ganglion cell with the inner plexiform
layer and ganglion cell complex regions, allowing thus a quantitative screening
of glaucomatous subjects. Furthermore, the severity of glaucoma in screened
cases is objectively graded by analyzing the thickness of these regions.
Results: The proposed framework is rigorously tested on publicly available
Armed Forces Institute of Ophthalmology (AFIO) dataset, where it achieved the
F1 score of 0.9577 for diagnosing glaucoma, a mean dice coefficient score of
0.8697 for extracting the RGC regions and an accuracy of 0.9117 for grading
glaucomatous progression. Furthermore, the performance of the proposed
framework is clinically verified with the markings of four expert
ophthalmologists, achieving a statistically significant Pearson correlation
coefficient of 0.9236. Conclusion: An automated assessment of RGC degeneration
yields better glaucomatous screening and grading as compared to the
state-of-the-art solutions. Significance: An RGC-aware system not only screens
glaucoma but can also grade its severity and here we present an end-to-end
solution that is thoroughly evaluated on a standardized dataset and is
clinically validated for analyzing glaucomatous pathologies.
- Abstract（参考訳）: 目的:緑内障は世界第2位の盲目の原因である。
緑内障の進行は網膜神経節細胞(RGC)の変性を解析することによって容易に監視できる。
多くの研究者は、底部と光コヒーレンストモグラフィーからのカップとディスクの比率を測定して緑内障をスクリーニングした。
しかし,本論文では,緑内障の病態をスクリーニングし,重症度を下げるために,rgc萎縮に注意を払う新しい戦略を提案する。
方法: 提案する枠組みは, 網膜神経線維層, 神経節細胞, 内神経叢状層, 神経節細胞複合体領域を抽出するハイブリッド畳み込みネットワークを含み, 緑内障患者の定量的スクリーニングを可能にする。
また,これらの領域の厚さを解析し,緑内障の重症度を客観的に評価した。
結果: 提案した枠組みは, 緑内障診断のためのF1スコア0.9577, RGC領域抽出のための平均ダイス係数0.8697, 緑内障進展評価のための精度0.9117を達成し, 一般用Armed Forces Institute of Ophthalmology (AFIO)データセットで厳密に検証された。
さらに,4名の専門眼科医のマークで臨床検査を行い,統計的に有意なピアソン相関係数0.9236を達成した。
結論: RGCのデジェネレーションの自動評価は、最先端のソリューションと比較して、よりグラコマティックなスクリーニングとグレーディングをもたらす。
意義: 緑内障をスクリーニングするばかりでなく, 重症度も評価できるRCC認識システムで, 標準化されたデータセットで徹底的に評価し, 緑内障の病態解析に臨床的に検証した。
関連論文リスト
- Rethinking Glaucoma Calibration: Voting-Based Binocular and Metadata Integration [3.5497988595874737]
緑内障(英: Glaucoma)は、視神経を損傷し、視力喪失を招き、世界中の視覚障害の主要な原因の一つである。
近年,緑内障の校正を中心に研究が進められている。
本稿では,V-ViT(Voting-based ViT)を提案する。
論文 参考訳（メタデータ） (2025-03-24T13:09:47Z) - Spatial-aware Transformer-GRU Framework for Enhanced Glaucoma Diagnosis
from 3D OCT Imaging [1.8416014644193066]
本稿では3次元光コヒーレンス・トモグラフィー(OCT)画像の診断値を利用した新しいディープラーニングフレームワークを提案する。
我々は、リッチスライスな特徴抽出のための網膜データに事前学習された視覚変換器と、スライス間空間依存性をキャプチャするための双方向Gated Recurrent Unitを統合する。
大規模データセットに対する実験結果から,提案手法の最先端手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-03-08T22:25:15Z) - Medical Application of Geometric Deep Learning for the Diagnosis of
Glaucoma [60.42955087779866]
シンガポール国立眼科における視神経頭部の3DスキャンをSpectralis OCTで477緑内障と2,296名の非緑内障患者に対して行った。
全巻は、ディープラーニングを用いて自動的にセグメンテーションされ、7つの主要な神経組織と結合組織が識別された。
ポイントネットは、3Dポイントクラウドとして表されるONHのみから頑健な緑内障の診断を行うことができた。
論文 参考訳（メタデータ） (2022-04-14T14:55:25Z) - Geometric Deep Learning to Identify the Critical 3D Structural Features
of the Optic Nerve Head for Glaucoma Diagnosis [52.06403518904579]
視神経頭(ONH)は緑内障の発生・進展過程において複雑で深い3次元形態変化を呈する。
我々は3D ONH点群から緑内障の診断にPointNetと動的グラフ畳み込みニューラルネットワーク(DGCNN)を用いた。
幅広い眼科疾患の診断・予後に臨床応用される可能性も高い。
論文 参考訳（メタデータ） (2022-04-14T12:52:10Z) - GAMMA Challenge:Glaucoma grAding from Multi-Modality imAges [48.98620387924817]
グラウコーマgAding from Multi-Modality imAges (GAMMA) Challenge を作成した。
この課題の主な課題は,2次元眼底画像と3D OCTスキャンボリュームから緑内障を診断することである。
緑内障のカラー写真と3D OCTボリュームを併用した緑内障アノテートデータセットを公表した。
論文 参考訳（メタデータ） (2022-02-14T06:54:15Z) - Deep Learning based Framework for Automatic Diagnosis of Glaucoma based
on analysis of Focal Notching in the Optic Nerve Head [0.2580765958706854]
デジタルファンドイメージ(DFI)から光ディスク(OD)とオプティカルカップ(OC)領域の自動セグメンテーションのための深層学習パイプラインを提案する。
本手法は、緑内障解析におけるコンピュータ支援デザイン(CAD)システムの精度を高めるために、ニューロ網膜リムの焦点ノッチ解析とカップ・ツー・ディスク比の値を分類パラメータとして利用した。
提案したパイプラインは、DFIから緑内障を検出するための93.33%の精度で、無料で利用可能なDRISHTI-GSデータセットで評価された。
論文 参考訳（メタデータ） (2021-12-10T18:58:40Z) - 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) - Automatic Segmentation of the Optic Nerve Head Region in Optical
Coherence Tomography: A Methodological Review [4.777796444711511]
視神経頭は、視神経(ONH)の眼内部分を表す。
光コヒーレンストモグラフィーの出現により、新しい視神経頭部パラメータの評価が可能となった。
ディープラーニングに基づくアルゴリズムは、ONHの異なる構造を分割する上で、最高の精度、感度、特異性を提供する。
論文 参考訳（メタデータ） (2021-09-06T09:45:57Z) - Circumpapillary OCT-Focused Hybrid Learning for Glaucoma Grading Using
Tailored Prototypical Neural Networks [1.1601676598120785]
緑内障は世界の視覚障害の主要な原因の1つである。
生の毛細血管Bスキャンを用いて緑内障を診断する新しい枠組みを初めて提案する。
特に,手動学習と深層学習を組み合わせた新しいOCTベースのハイブリッドネットワークを構築した。
論文 参考訳（メタデータ） (2021-06-25T10:53:01Z) - 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。