論文の概要: U-Net with Hierarchical Bottleneck Attention for Landmark Detection in
Fundus Images of the Degenerated Retina
- arxiv url: http://arxiv.org/abs/2107.04721v1
- Date: Fri, 9 Jul 2021 23:57:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-14 09:51:17.149067
- Title: U-Net with Hierarchical Bottleneck Attention for Landmark Detection in
Fundus Images of the Degenerated Retina
- Title（参考訳）: 劣化網膜の基底画像におけるランドマーク検出のための階層型ボトルネック注意U-Net
- Authors: Shuyun Tang, Ziming Qi, Jacob Granley and Michael Beyeler
- Abstract要約: HBA-U-Netは階層的なボトルネックに注目するU-Netバックボーンである。
HBA-U-Netは、データセットと眼の条件をまたいだ胎児検出の最先端の結果を得た。
以上の結果から,HBA-U-Netは網膜変性疾患の存在下でのランドマーク検出に適している可能性が示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fundus photography has routinely been used to document the presence and
severity of retinal degenerative diseases such as age-related macular
degeneration (AMD), glaucoma, and diabetic retinopathy (DR) in clinical
practice, for which the fovea and optic disc (OD) are important retinal
landmarks. However, the occurrence of lesions, drusen, and other retinal
abnormalities during retinal degeneration severely complicates automatic
landmark detection and segmentation. Here we propose HBA-U-Net: a U-Net
backbone enriched with hierarchical bottleneck attention. The network consists
of a novel bottleneck attention block that combines and refines self-attention,
channel attention, and relative-position attention to highlight retinal
abnormalities that may be important for fovea and OD segmentation in the
degenerated retina. HBA-U-Net achieved state-of-the-art results on fovea
detection across datasets and eye conditions (ADAM: Euclidean Distance (ED) of
25.4 pixels, REFUGE: 32.5 pixels, IDRiD: 32.1 pixels), on OD segmentation for
AMD (ADAM: Dice Coefficient (DC) of 0.947), and on OD detection for DR (IDRiD:
ED of 20.5 pixels). Our results suggest that HBA-U-Net may be well suited for
landmark detection in the presence of a variety of retinal degenerative
diseases.
- Abstract（参考訳）: 眼底写真は、臨床における加齢関連黄斑変性症(AMD)、緑内障、糖尿病網膜症(DR)などの網膜変性疾患の存在と重症度を日常的に記録するために使われてきた。
しかし、網膜変性に伴う病変、ドルゼン、その他の網膜異常の発生は、自動的ランドマーク検出とセグメンテーションを著しく複雑にする。
本稿では,階層的ボトルネックに注目するU-NetバックボーンHBA-U-Netを提案する。
このネットワークは、自己注意、チャネルアテンション、および相対的な位置アテンションを組み合わせた、新たなボトルネックアテンションブロックで構成されており、変性網膜における卵胞およびODセグメンテーションに重要な網膜異常を強調している。
hba-u-netは、データセットと眼の状態(adam: euclidean distance (ed) of 25.4 pixels, refuge: 32.5 pixels, idrid: 32.1 pixels), on od segmentation for amd (adam: dice coefficient (dc) of 0.947), on od detection for dr (idrid: ed of 20.5 pixels)の最新の結果を得た。
以上の結果から,HBA-U-Netは網膜変性疾患の存在下でのランドマーク検出に適している可能性が示唆された。
関連論文リスト
- EDDense-Net: Fully Dense Encoder Decoder Network for Joint Segmentation
of Optic Cup and Disc [0.880802134366532]
緑内障(英: Glaucoma)は、視神経に損傷を与える眼疾患であり、視覚障害と永久盲眼を引き起こす。
緑内障の診断には、光ディスク(OD)検査におけるカップ・ツー・ディスク比(CDR)の推定が用いられる。
OCとODの結合分割のためのEDDense-Netセグメンテーションネットワークを提案する。
論文 参考訳（メタデータ） (2023-08-20T07:45:03Z) - nnUNet RASPP for Retinal OCT Fluid Detection, Segmentation and
Generalisation over Variations of Data Sources [25.095695898777656]
我々は、複数のデバイスベンダーの画像間で一貫した高パフォーマンスを持つnnUNetの2つの変種を提案する。
このアルゴリズムはMICCAI 2017 RETOUCHチャレンジデータセットで検証された。
実験の結果,我々のアルゴリズムは最先端のアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2023-02-25T23:47:23Z) - Discriminative Kernel Convolution Network for Multi-Label Ophthalmic
Disease Detection on Imbalanced Fundus Image Dataset [13.687617973585983]
緑内障、糖尿病網膜症、白内障などの眼疾患が世界中の視覚障害の主な原因である。
本研究は,識別的カーネル畳み込みネットワーク (DKCNet) を提案する。
また、全く見えない眼底像にも良い効果が認められる。
論文 参考訳（メタデータ） (2022-07-16T12:03:27Z) - CDNet: Contrastive Disentangled Network for Fine-Grained Image
Categorization of Ocular B-Scan Ultrasound [6.108783901856703]
本研究では, コントラッシブ・ディコンタングルド・ネットワーク(CDNet)を開発した。
超音波画像における視線異常の微細な分類課題に取り組むことを目的としている。
CDNetの3つの重要な構成要素は、弱制御型病変局在モジュール(WSL)、コントラスト型マルチゾーン(CMZ)戦略、超球面型コントラスト型アンタングルドロス(HCD-Loss)である。
論文 参考訳（メタデータ） (2022-06-17T03:12:52Z) - 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) - 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) - 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) - Improving Lesion Segmentation for Diabetic Retinopathy using Adversarial
Learning [21.69817451167427]
HEDNetとCGANを用いた糖尿病網膜症病変のピクセルレベルセグメンテーションのためのエンド・ツー・エンドシステムを提案する。
本実験は, 対向損失の付加により, 基線上の病変のセグメンテーション性能が向上することを示した。
論文 参考訳（メタデータ） (2020-07-27T20:43:36Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。