論文の概要: Efficient Screening of Diseased Eyes based on Fundus Autofluorescence
Images using Support Vector Machine
- arxiv url: http://arxiv.org/abs/2104.08519v1
- Date: Sat, 17 Apr 2021 11:54:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 14:29:11.315431
- Title: Efficient Screening of Diseased Eyes based on Fundus Autofluorescence
Images using Support Vector Machine
- Title（参考訳）: 支持ベクターマシンを用いた眼底自己蛍光画像に基づく眼疾患の効率的なスクリーニング
- Authors: Shanmukh Reddy Manne, Kiran Kumar Vupparaboina, Gowtham Chowdary
Gudapati, Ram Anudeep Peddoju, Chandra Prakash Konkimalla, Abhilash Goud,
Sarforaz Bin Bashar, Jay Chhablani, Soumya Jana
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.12189422792863448
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A variety of vision ailments are associated with geographic atrophy (GA) in
the foveal region of the eye. In current clinical practice, the ophthalmologist
manually detects potential presence of such GA based on fundus autofluorescence
(FAF) images, and hence diagnoses the disease, when relevant. However, in view
of the general scarcity of ophthalmologists relative to the large number of
subjects seeking eyecare, especially in remote regions, it becomes imperative
to develop methods to direct expert time and effort to medically significant
cases. Further, subjects from either disadvantaged background or remote
localities, who face considerable economic/physical barrier in consulting
trained ophthalmologists, tend to seek medical attention only after being
reasonably certain that an adverse condition exists. To serve the interest of
both the ophthalmologist and the potential patient, we plan a screening step,
where healthy and diseased eyes are algorithmically differentiated with limited
input from only optometrists who are relatively more abundant in number.
Specifically, an early treatment diabetic retinopathy study (ETDRS) grid is
placed by an optometrist on each FAF image, based on which sectoral statistics
are automatically collected. Using such statistics as features, healthy and
diseased eyes are proposed to be classified by training an algorithm using
available medical records. In this connection, we demonstrate the efficacy of
support vector machines (SVM). Specifically, we consider SVM with linear as
well as radial basis function (RBF) kernel, and observe satisfactory
performance of both variants. Among those, we recommend the latter in view of
its slight superiority in terms of classification accuracy (90.55% at a
standard training-to-test ratio of 80:20), and practical class-conditional
costs.
- Abstract（参考訳）: 様々な視力障害は、眼窩領域の地理的萎縮(ga)と関連している。
現在の臨床実践では、眼科医は、眼底蛍光(FAF)画像に基づいて、そのようなGAの存在を手動で検出し、関連する場合は疾患を診断する。
しかし, 眼科医の眼科医の全般的不足, 特に遠隔地では, 専門医の時間と努力を医学的に重要な症例に向ける手法の開発が不可欠となる。
さらに、熟練眼科医の診察においてかなりの経済的・物理的障壁に直面している不利な背景や遠隔地からの被験者は、有害な状態が存在することを合理的に確信した後にのみ医学的注意を向ける傾向がある。
眼科医と潜在的な患者の双方の関心をひくため,健康眼と病気眼をアルゴリズム的に区別し,比較的多量の眼科医のみからの入力を限定的に行うスクリーニング段階を計画した。
具体的には、各faf画像上に早期治療型糖尿病網膜症研究(etdrs)グリッドを設置し、センタリー統計を自動的に収集する。
このような統計を特徴として、健康眼と病気眼を、利用可能な医療記録を用いてアルゴリズムを訓練することにより分類することを提案する。
本稿では,サポートベクトルマシン(SVM)の有効性を示す。
具体的には、線形かつラジアル基底関数(RBF)カーネルを持つSVMを考察し、両変数の良好な性能を観察する。
その中でも,分類精度(標準トレーニング対テスト比80:20では90.55%)と実用的クラス条件コストの観点から,後者を推奨する。
関連論文リスト
- Diagnosis of diabetic retinopathy using machine learning & deep learning technique [0.4218593777811082]
本稿では,物体検出と機械学習の分類技術を用いた新しい基礎検出手法を提案する。
我々は、YOLO_V8を用いて、眼底画像の物体検出を行い、光ディスク、光カップ、病変などの関心領域(ROI)を特定する。
次に、病理徴候の有無に基づいて、機械学習SVM分類アルゴリズムを用いてROIを異なるDRステージに分類する。
論文 参考訳（メタデータ） (2024-11-25T10:09:37Z) - 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) - 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) - 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) - 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) - A Benchmark of Ocular Disease Intelligent Recognition: One Shot for
Multi-disease Detection [9.059366200759722]
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。
論文 参考訳（メタデータ） (2021-02-16T07:00:49Z) - 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。