論文の概要: Grading the Severity of Arteriolosclerosis from Retinal Arterio-venous Crossing Patterns

• arxiv url: http://arxiv.org/abs/2011.03772v1
• Date: Sat, 7 Nov 2020 13:15:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 22:24:49.901837
• Title: Grading the Severity of Arteriolosclerosis from Retinal Arterio-venous Crossing Patterns
• Title（参考訳）: 網膜動静脈交叉パターンによる動脈硬化の重症度評価
• Authors: Liangzhi Li, Manisha Verma, Bowen Wang, Yuta Nakashima, Ryo Kawasaki, Hajime Nagahara
• Abstract要約: 網膜動静脈交差状態は,動脈硬化症および全身性高血圧症の臨床的評価において極めて重要である。 医用画像診断における最初期の試みの一つである診断プロセスを支援するための深層学習手法を提案する。
• 参考スコア（独自算出の注目度）: 27.867833878756553
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The status of retinal arteriovenous crossing is of great significance for clinical evaluation of arteriolosclerosis and systemic hypertension. As an ophthalmology diagnostic criteria, Scheie's classification has been used to grade the severity of arteriolosclerosis. In this paper, we propose a deep learning approach to support the diagnosis process, which, to the best of our knowledge, is one of the earliest attempts in medical imaging. The proposed pipeline is three-fold. First, we adopt segmentation and classification models to automatically obtain vessels in a retinal image with the corresponding artery/vein labels and find candidate arteriovenous crossing points. Second, we use a classification model to validate the true crossing point. At last, the grade of severity for the vessel crossings is classified. To better address the problem of label ambiguity and imbalanced label distribution, we propose a new model, named multi-diagnosis team network (MDTNet), in which the sub-models with different structures or different loss functions provide different decisions. MDTNet unifies these diverse theories to give the final decision with high accuracy. Our severity grading method was able to validate crossing points with precision and recall of 96.3% and 96.3%, respectively. Among correctly detected crossing points, the kappa value for the agreement between the grading by a retina specialist and the estimated score was 0.85, with an accuracy of 0.92. The numerical results demonstrate that our method can achieve a good performance in both arteriovenous crossing validation and severity grading tasks. By the proposed models, we could build a pipeline reproducing retina specialist's subjective grading without feature extractions. The code is available for reproducibility.
• Abstract（参考訳）: 網膜動静脈交叉状態は動脈硬化症と全身高血圧の臨床的評価に非常に重要である。 眼科診断基準として、シェーの分類は動脈硬化の重症度を評価するために用いられている。 本稿では,医療画像化における最初期の試みの一つである診断プロセスを支援するための深層学習手法を提案する。 提案するパイプラインは3倍である。 まず,血管分類モデルを用いて網膜画像中の血管を対応する動脈/静脈ラベルで自動的に取得し,動脈の交差点候補を求める。 第二に、真の交差点を検証するために分類モデルを用いる。 最終的に、船舶横断の重大度は分類される。 ラベルあいまいさと不均衡なラベル分布の問題をよりよく解決するために、異なる構造や異なる損失関数を持つサブモデルが異なる決定を与える、MDTNet(Multi-diagnosis Team Network)と呼ばれる新しいモデルを提案する。 MDTNetはこれらの様々な理論を統一し、最終的な決定を高精度に行う。 重症度評価法では, それぞれ96.3%, 96.3%の精度で横断点の精度を検証できた。 正しく検出された交差点のうち、網膜専門医による評価値と推定スコアとの一致のカッパ値は0.85であり、精度は0.92である。 その結果, 動静脈横断検査と重症度評価の両面において, 良好な性能を得ることができた。 提案モデルでは,網膜スペシャリストの主観的評価を特徴抽出なしで再現するパイプラインを構築することができた。 コードは再現可能である。

関連論文リスト

• Multi-task learning for joint weakly-supervised segmentation and aortic arch anomaly classification in fetal cardiac MRI [2.7962860265843563]
  3D Black blood T2w MRIによる胎児血管分割の自動化と異常分類のための枠組みを提案する。 右大動脈弓部,右大動脈弓部,大動脈解離の疑いを主訴に来院した。 実験の結果,提案した学習戦略はラベルの伝播と,伝播ラベルのみに特化して訓練されたネットワークを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-11-13T10:54:53Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Fully Automated Tree Topology Estimation and Artery-Vein Classification [0.0]
  網膜血管トポロジー(網膜血管トポロジー)を抽出するための完全自動的手法,すなわち,異なる血管が相互にどのように結びついているかを示す。 我々は,網膜動脈-静脈分類における最先端の結果を得るために,抽出法の有用性を検証した。
  論文  参考訳（メタデータ） (2022-02-04T20:40:01Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• 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)
• 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)
• DcardNet: Diabetic Retinopathy Classification at Multiple Levels Based on Structural and Angiographic Optical Coherence Tomography [1.9262162668141078]
  糖尿病網膜症(DR)分類の枠組みを満たすために,畳み込みニューラルネットワーク(CNN)に基づく手法を提案する。 DR分類のために、適応レートドロップアウト(DcardNet)を備えた高密度かつ連続的に接続されたニューラルネットワークを設計する。 国際臨床糖尿病網膜症尺度に基づいて3つの分類レベルを作成した。
  論文  参考訳（メタデータ） (2020-06-09T19:44:10Z)
• Joint Learning of Vessel Segmentation and Artery/Vein Classification with Post-processing [27.825969553813092]
  血管分節と動脈・静脈の分類は、潜在的な疾患について様々な情報を提供する。 我々は、UNetベースのモデルSeqNetを採用し、背景から船舶を正確に分割し、船舶のタイプを予測する。 実験の結果,AUCを0.98に改善し,DRIVEデータセットの分類精度は0.92に向上した。
  論文  参考訳（メタデータ） (2020-05-27T13:06:16Z)

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。