論文の概要: Lesion-based Contrastive Learning for Diabetic Retinopathy Grading from Fundus Images

• arxiv url: http://arxiv.org/abs/2107.08274v1
• Date: Sat, 17 Jul 2021 16:30:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 05:31:46.238090
• Title: Lesion-based Contrastive Learning for Diabetic Retinopathy Grading from Fundus Images
• Title（参考訳）: 基礎画像からの糖尿病網膜症に対する病変ベースコントラスト学習
• Authors: Yijin Huang, Li Lin, Pujin Cheng, Junyan Lyu, Xiaoying Tang
• Abstract要約: 糖尿病網膜症自動評価のための自己教師型フレームワーク,すなわち病変に基づくコントラスト学習を提案する。 提案フレームワークは,リニア評価と転送容量評価の両方の観点から,DRグレーディングを際立たせる。
• 参考スコア（独自算出の注目度）: 2.498907460918493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manually annotating medical images is extremely expensive, especially for large-scale datasets. Self-supervised contrastive learning has been explored to learn feature representations from unlabeled images. However, unlike natural images, the application of contrastive learning to medical images is relatively limited. In this work, we propose a self-supervised framework, namely lesion-based contrastive learning for automated diabetic retinopathy (DR) grading. Instead of taking entire images as the input in the common contrastive learning scheme, lesion patches are employed to encourage the feature extractor to learn representations that are highly discriminative for DR grading. We also investigate different data augmentation operations in defining our contrastive prediction task. Extensive experiments are conducted on the publicly-accessible dataset EyePACS, demonstrating that our proposed framework performs outstandingly on DR grading in terms of both linear evaluation and transfer capacity evaluation.
• Abstract（参考訳）: 手動でアノテートする医療画像は、特に大規模なデータセットでは、非常に高価である。 ラベルのない画像から特徴表現を学習するために,自己教師付きコントラスト学習が研究されている。 しかし、自然画像とは異なり、医学画像へのコントラスト学習の適用は比較的限られている。 そこで本研究では,糖尿病網膜症(DR)自動グレーディングのための,病変に基づくコントラスト学習という自己指導型フレームワークを提案する。 画像全体を共通コントラスト学習スキームの入力として取り込む代わりに、特徴抽出器にdrグレーディングに非常に差別的な表現を学習するよう促すために、病変パッチが用いられる。 また、コントラスト予測タスクの定義において、異なるデータ拡張操作についても検討する。 一般公開可能なデータセットEyePACSを用いて大規模な実験を行い、線形評価と転送能力評価の両面でDRグレーティングに優れた性能を発揮することを示した。

関連論文リスト

• Multi-organ Self-supervised Contrastive Learning for Breast Lesion Segmentation [0.0]
  本稿では,臓器関連目標タスクに適した事前学習モデルとして,多臓器データセットを用いる。 対象は超音波画像における乳腺腫瘍のセグメンテーションである。 その結果,従来のコントラスト学習事前学習は,教師付きベースラインアプローチに比べて性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-02-21T20:29:21Z)
• 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)
• Bag of Tricks for Developing Diabetic Retinopathy Analysis Framework to Overcome Data Scarcity [6.802798389355481]
  糖尿病網膜症 (DR) 解析課題として, 病変分割, 画像品質評価, DRグレーディングについて検討した。 各タスクに対して,アンサンブル学習,データ強化,半教師付き学習を活用した堅牢な学習手法を導入する。 疑似ラベルの負の効果を低減するため,モデルの信頼度スコアに基づいて不確実な擬似ラベルを除外する信頼性の高い擬似ラベルを提案する。
  論文  参考訳（メタデータ） (2022-10-18T03:25:00Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Self-Supervised Learning from Unlabeled Fundus Photographs Improves Segmentation of the Retina [4.815051667870375]
  基礎撮影は網膜イメージングの第一の方法であり、糖尿病網膜症予防に必須である。 現在のセグメンテーション法は、実際の臨床応用に典型的な画像条件や病理の多様性に対して堅牢ではない。 コントラスト型自己教師型学習を用いて,EyePACSデータセットの多種多様な未ラベル画像を利用する。
  論文  参考訳（メタデータ） (2021-08-05T18:02:56Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Positional Contrastive Learning for Volumetric Medical Image Segmentation [13.086140606803408]
  コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。 提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T22:15:28Z)
• 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 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)
• Robust Collaborative Learning of Patch-level and Image-level Annotations for Diabetic Retinopathy Grading from Fundus Image [33.904136933213735]
  DR重度評価のための,パッチレベルのアノテーションとイメージレベルのアノテーションを協調的に利用する,堅牢なフレームワークを提案する。 エンドツーエンドの最適化により、このフレームワークは微細な病変と画像レベルのグレード情報を双方向に交換することができる。 提案手法は,9年以上の経験を持つ最近の最先端のアルゴリズムと3人の臨床眼科医に比較して,優れた性能を示す。
  論文  参考訳（メタデータ） (2020-08-03T02:17:42Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)

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。