論文の概要: Unsupervised deep learning for grading of age-related macular
degeneration using retinal fundus images
- arxiv url: http://arxiv.org/abs/2010.11993v1
- Date: Thu, 22 Oct 2020 19:13:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 08:18:13.865088
- Title: Unsupervised deep learning for grading of age-related macular
degeneration using retinal fundus images
- Title（参考訳）: 網膜基底画像を用いた加齢黄斑変性の非教師的深層学習
- Authors: Baladitya Yellapragada, Sascha Hornhauer, Kiersten Snyder, Stella Yu,
Glenn Yiu
- Abstract要約: 監視されたニューラルネットワークは網膜基底画像の階調を自動化することができるが、労働集約的なアノテーションを必要とし、特定の訓練されたタスクに制限される。
ここでは、年齢関連眼疾患研究(AREDS)の眼底写真を用いて、年齢関連黄斑変性症(AMD)の重症度に非パラメータ識別(NPID)を用いた教師なしネットワークを用いた。
教師なしのアルゴリズムは, 異なるAMD分類体系にまたがる多角性を示し, 教師ネットワークや眼科医に匹敵する不均衡の精度を実現した。
- 参考スコア（独自算出の注目度）: 1.4699455652461724
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many diseases are classified based on human-defined rubrics that are prone to
bias. Supervised neural networks can automate the grading of retinal fundus
images, but require labor-intensive annotations and are restricted to the
specific trained task. Here, we employed an unsupervised network with
Non-Parametric Instance Discrimination (NPID) to grade age-related macular
degeneration (AMD) severity using fundus photographs from the Age-Related Eye
Disease Study (AREDS). Our unsupervised algorithm demonstrated versatility
across different AMD classification schemes without retraining, and achieved
unbalanced accuracies comparable to supervised networks and human
ophthalmologists in classifying advanced or referable AMD, or on the 4-step AMD
severity scale. Exploring the networks behavior revealed disease-related fundus
features that drove predictions and unveiled the susceptibility of more
granular human-defined AMD severity schemes to misclassification by both
ophthalmologists and neural networks. Importantly, unsupervised learning
enabled unbiased, data-driven discovery of AMD features such as geographic
atrophy, as well as other ocular phenotypes of the choroid, vitreous, and lens,
such as visually-impairing cataracts, that were not pre-defined by human
labels.
- Abstract（参考訳）: 多くの病気は、偏見がちな人間の定義したルーブリックに基づいて分類される。
監視されたニューラルネットワークは網膜基底画像の階調を自動化することができるが、労働集約的なアノテーションを必要とし、特定の訓練されたタスクに制限される。
そこで我々は、年齢関連眼疾患研究(AREDS)の眼底写真を用いて、年齢関連黄斑変性症(AMD)の重症度を非パラメータ識別(NPID)で測定した。
教師なしのアルゴリズムは, 異なるAMD分類方式に対して, トレーニングを行なわず, 教師ネットワークや人間の眼科医に匹敵する, 高度なAMD分類や参照可能なAMD分類, あるいは4段階のAMD重度尺度において, 最適性を示した。
ネットワークの行動を調べると、予測を駆動する病原体の特徴が明らかになり、眼科医とニューラルネットワークの両方による誤分類に対するより粒度の細かいAMD重症度スキームの感受性が明らかになった。
重要な点は、教師なし学習によって、地理的萎縮のようなamdの特徴や、人間のラベルによって事前に定義されていない、脈絡膜、硝子体、水晶体の他の眼表現型、視覚障害者白内障などのデータ駆動型の発見を可能にしたことである。
関連論文リスト
- InceptionCaps: A Performant Glaucoma Classification Model for
Data-scarce Environment [0.0]
緑内障は不可逆的な眼疾患で 世界第2位の視覚障害の原因です
本稿では,InceptionV3を畳み込みベースとしたカプセルネットワーク(CapsNet)をベースとした新しいディープラーニングモデルであるInceptionCapsを提案する。
InceptionCapsは0.956、特異性0.96、AUC0.9556を達成し、RIM-ONE v2データセット上での最先端のディープラーニングモデルのパフォーマンスを上回った。
論文 参考訳（メタデータ） (2023-11-24T11:58:11Z) - 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) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - Deep Semi-Supervised and Self-Supervised Learning for Diabetic
Retinopathy Detection [0.0]
糖尿病網膜症は、先進国の労働年齢層における失明の主要な原因の1つである。
深部ニューラルネットワークは眼底画像のDR分類のための自動化システムで広く利用されている。
本稿では,ラベル付き画像とラベル付き画像を利用して糖尿病網膜症を検出するモデルを訓練する半教師付き手法を提案する。
論文 参考訳（メタデータ） (2022-08-04T02:28:13Z) - Improving AMD diagnosis by the simultaneous identification of associated
retinal lesions [9.707114016577716]
加齢関連黄斑変性症(AMD)は、先進国において視覚障害の主要な原因である。
本稿では,AMD診断と潜在的な病変の分類を同時に行うCNNに基づく新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-22T17:52:02Z) - MTCD: Cataract Detection via Near Infrared Eye Images [69.62768493464053]
白内障は一般的な眼疾患であり、盲目や視力障害の主な原因の1つである。
近赤外画像を用いた白内障検出のための新しいアルゴリズムを提案する。
深層学習に基づくアイセグメンテーションとマルチタスクネットワーク分類ネットワークについて述べる。
論文 参考訳（メタデータ） (2021-10-06T08:10:28Z) - 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) - 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) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳（メタデータ） (2020-04-03T14:07:41Z) - 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) - 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)
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。