Fugu-MT 論文翻訳(概要): A Benchmark of Ocular Disease Intelligent Recognition: One Shot for Multi-disease Detection

論文の概要: A Benchmark of Ocular Disease Intelligent Recognition: One Shot for Multi-disease Detection

arxiv url: http://arxiv.org/abs/2102.07978v1
Date: Tue, 16 Feb 2021 07:00:49 GMT
ステータス: 処理完了
システム内更新日: 2021-02-17 15:20:56.302840
Title: A Benchmark of Ocular Disease Intelligent Recognition: One Shot for Multi-disease Detection
Title（参考訳）: 眼疾患知的認識のベンチマーク : マルチディセーゼ検出のためのワンショット
Authors: Ning Li, Tao Li, Chunyu Hu, Kai Wang, Hong Kang
Abstract要約: 眼科領域では、早期眼底スクリーニングは眼疾患による盲目を防ぐ経済的かつ効果的な方法である。実際の医療現場に合わせて8つの疾患のデータセットを公開し、5,000人の患者の両眼からの1万の眼底画像を含む。
参考スコア（独自算出の注目度）: 9.059366200759722
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In ophthalmology, early fundus screening is an economic and effective way to prevent blindness caused by ophthalmic diseases. Clinically, due to the lack of medical resources, manual diagnosis is time-consuming and may delay the condition. With the development of deep learning, some researches on ophthalmic diseases have achieved good results, however, most of them are just based on one disease. During fundus screening, ophthalmologists usually give diagnoses of multi-disease on binocular fundus image, so we release a dataset with 8 diseases to meet the real medical scene, which contains 10,000 fundus images from both eyes of 5,000 patients. We did some benchmark experiments on it through some state-of-the-art deep neural networks. We found simply increasing the scale of network cannot bring good results for multi-disease classification, and a well-structured feature fusion method combines characteristics of multi-disease is needed. Through this work, we hope to advance the research of related fields.
Abstract（参考訳）: 眼科領域では、早期眼底スクリーニングは眼疾患による盲目を防ぐ経済的かつ効果的な方法である。臨床的に、医療資源の不足のため、手動診断は時間がかかり、症状を遅らせる可能性がある。深層学習の発達により、眼科疾患に関するいくつかの研究は良好な結果を得たが、そのほとんどは1つの疾患に基づいている。眼底検診中,眼科医は通常,双眼底画像上でマルチダイセーゼの診断を行うため,5,000例の両眼からの1万枚の眼底画像を含む8つの疾患のデータセットを公開する。最新のディープニューラルネットワークを通じてベンチマーク実験を行いました。ネットワークの規模を増大させるだけでは、マルチディスリーズ分類に良い結果が得られず、マルチディスリーズの特徴を組み合わさった特徴融合法が必要とされる。本研究を通じて,関連分野の研究を進めていきたい。

関連論文リスト

LMOD: A Large Multimodal Ophthalmology Dataset and Benchmark for Large Vision-Language Models [38.78576472811659]
大規模視覚言語モデル(LVLM)は、解剖情報を理解し、眼疾患を診断し、解釈と追跡計画の作成を支援する可能性がある。我々は、クローズドソース、オープンソース、医療ドメインの13の最先端のLVLM代表をベンチマークした。その結果,眼科領域では他の領域と比較してLVLMが有意に低下した。
論文参考訳（メタデータ） (2024-10-02T14:57:58Z)
Common and Rare Fundus Diseases Identification Using Vision-Language Foundation Model with Knowledge of Over 400 Diseases [57.27458882764811]
以前の網膜画像の基礎モデルは、限られた疾患カテゴリと知識ベースで事前訓練された。 RetiZeroの事前トレーニングのために、公開データセット、眼科文献、オンラインリソースから得られたテキスト記述と組み合わせた341,896のベースイメージをコンパイルした。 RetiZeroは、ゼロショット病の認識、画像と画像の検索、内部およびドメイン間の疾患の識別など、いくつかの下流タスクにおいて優れたパフォーマンスを示す。
論文参考訳（メタデータ） (2024-06-13T16:53:57Z)
A better approach to diagnose retinal diseases: Combining our Segmentation-based Vascular Enhancement with deep learning features [3.717366858126521]
網膜基底像の異常は特定の病態を示す可能性がある。従来の医学では、網膜関連疾患の診断は、医師の網膜基底画像の主観的評価に依存している。本稿では,網膜基底画像関連疾患の迅速かつ客観的かつ正確な診断法を提案する。
論文参考訳（メタデータ） (2024-05-25T13:52:40Z)
Harnessing the power of longitudinal medical imaging for eye disease prognosis using Transformer-based sequence modeling [49.52787013516891]
今回提案した Longitudinal Transformer for Survival Analysis (LTSA, Longitudinal Transformer for Survival Analysis, LTSA) は, 縦断的医用画像から動的疾患の予後を予測できる。時間的注意分析により、最新の画像は典型的には最も影響力のあるものであるが、以前の画像は追加の予後に価値があることが示唆された。
論文参考訳（メタデータ） (2024-05-14T17:15:28Z)
Diagnosis of Multiple Fundus Disorders Amidst a Scarcity of Medical Experts Via Self-supervised Machine Learning [13.174267261284733]
ファンドス病は、世界中の視覚障害と視覚障害の主な原因である。本研究では,無ラベルのファンドス画像から多種多様なファンドス病を処理できる,汎用的な自己教師型機械学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-04-20T14:15:25Z)
A CNN-LSTM Combination Network for Cataract Detection using Eye Fundus Images [0.0]
50歳以上の人の不可逆性失明の主な原因の1つは白内障治療の遅れである。我々は,低コストな診断システムの構築を目的として,CNN-LSTMに基づくモデルアーキテクチャを開発した。提案されたアーキテクチャは、最先端の97.53%の精度で以前のシステムより優れていた。
論文参考訳（メタデータ） (2022-10-28T12:35:15Z)
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)
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)
Efficient Screening of Diseased Eyes based on Fundus Autofluorescence Images using Support Vector Machine [0.12189422792863448]
さまざまな視力障害は、目の焦点領域の地理的縮縮(GA)と関連している。現在の臨床では、眼科医は、眼底蛍光(FAF)画像に基づいて、このようなGAの存在を手動で検出する。健康眼と病眼をアルゴリズムで識別し,眼科医のみからの入力を限定したスクリーニングステップを提案する。
論文参考訳（メタデータ） (2021-04-17T11:54:34Z)
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)
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)

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。