論文の概要: Real-Time Glaucoma Detection from Digital Fundus Images using Self-ONNs

• arxiv url: http://arxiv.org/abs/2109.13604v1
• Date: Tue, 28 Sep 2021 10:27:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 21:49:43.901611
• Title: Real-Time Glaucoma Detection from Digital Fundus Images using Self-ONNs
• Title（参考訳）: 自己ONNを用いたデジタルファンドス画像からのリアルタイム緑内障検出
• Authors: Ozer Can Devecioglu, Junaid Malik, Turker Ince, Serkan Kiranyaz, Eray Atalay, and Moncef Gabbouj
• Abstract要約: 緑内障は、視覚画像を脳に伝達する視神経を損傷することで、永久的な視覚障害を引き起こす。 ラベル付きデータの不足により,デジタル眼底画像からの緑内障検出に様々な深層学習モデルが応用されている。 本研究では,眼底画像における緑内障の早期検出のために,コンパクトな自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を提案する。
• 参考スコア（独自算出の注目度）: 22.863901758361692
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Glaucoma leads to permanent vision disability by damaging the optical nerve that transmits visual images to the brain. The fact that glaucoma does not show any symptoms as it progresses and cannot be stopped at the later stages, makes it critical to be diagnosed in its early stages. Although various deep learning models have been applied for detecting glaucoma from digital fundus images, due to the scarcity of labeled data, their generalization performance was limited along with high computational complexity and special hardware requirements. In this study, compact Self-Organized Operational Neural Networks (Self- ONNs) are proposed for early detection of glaucoma in fundus images and their performance is compared against the conventional (deep) Convolutional Neural Networks (CNNs) over three benchmark datasets: ACRIMA, RIM-ONE, and ESOGU. The experimental results demonstrate that Self-ONNs not only achieve superior detection performance but can also significantly reduce the computational complexity making it a potentially suitable network model for biomedical datasets especially when the data is scarce.
• Abstract（参考訳）: 緑内障は、視覚画像を脳に伝達する光神経を損傷することで、永続的な視覚障害を引き起こす。 緑内障は進行するにつれて症状を示さず、後期で停止できないため、早期に診断することが重要となる。 デジタル眼底画像からの緑内障検出には様々な深層学習モデルが応用されているが,ラベル付きデータの不足により,その一般化性能は高い計算複雑性と特別なハードウェア要件とともに制限されていた。 本研究では,眼底画像における緑内障の早期検出のために,コンパクトな自己組織型オペレーショナルニューラルネットワーク(Self-ONN)を提案し,その性能を3つのベンチマークデータセット(ACRIMA,RIM-ONE,ESOGU)上で従来の(深部)畳み込みニューラルネットワーク(CNN)と比較した。 実験結果から,Self-ONNは優れた検出性能を得るだけでなく,計算処理の複雑さを著しく低減し,特にデータ不足時のバイオメディカルデータセットに適したネットワークモデルとなる可能性が示唆された。

関連論文リスト

• OAH-Net: A Deep Neural Network for Hologram Reconstruction of Off-axis Digital Holographic Microscope [5.835347176172883]
  本稿では, 深層学習とオフ軸ホログラフィの物理原理を融合した新しい再構成手法を提案する。 我々のオフ軸ホログラムネットワーク(OAH-Net)は、ハードウェアに起因する測定誤差範囲内にある誤差のある位相および振幅画像を取得する。 この能力は、生物学的および医学の両方でオフ軸ホログラフィーの応用をさらに拡大する。
  論文  参考訳（メタデータ） (2024-10-17T14:25:18Z)
• InceptionCaps: A Performant Glaucoma Classification Model for Data-scarce Environment [0.0]
  緑内障は不可逆的な眼疾患で 世界第2位の視覚障害の原因です 本稿では,InceptionV3を畳み込みベースとしたカプセルネットワーク(CapsNet)をベースとした新しいディープラーニングモデルであるInceptionCapsを提案する。 InceptionCapsは0.956、特異性0.96、AUC0.9556を達成し、RIM-ONE v2データセット上での最先端のディープラーニングモデルのパフォーマンスを上回った。
  論文  参考訳（メタデータ） (2023-11-24T11:58:11Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Application of attention-based Siamese composite neural network in medical image recognition [6.370635116365471]
  本研究は,注目とシームズニューラルネットワークに基づく認識モデルを構築した。 アテンションに基づくニューラルネットワークは、分類効果を改善するためにメインネットワークとして使用される。 その結果、画像サンプルの数が少ないほど、利点が明らかになることがわかった。
  論文  参考訳（メタデータ） (2023-04-19T16:09:59Z)
• Self-Supervised Endoscopic Image Key-Points Matching [1.3764085113103222]
  本稿では,深層学習技術に基づく内視鏡画像マッチングのための新しい自己教師型アプローチを提案する。 提案手法は,手作りの標準的なローカル特徴記述子よりも精度とリコールの点で優れていた。
  論文  参考訳（メタデータ） (2022-08-24T10:47:21Z)
• RADNet: Ensemble Model for Robust Glaucoma Classification in Color Fundus Images [0.0]
  緑内障は最も重篤な眼疾患の1つで、急激な進行と不可逆性失明を特徴とする。 集団の正常な緑内障検診では早期発見が改善するが,病原性チェックアップの望ましい頻度は期待できないことが多い。 本研究では,高度な画像前処理手法と深層分類ネットワークのアンサンブルを併用した画像前処理手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T16:48:00Z)
• 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)
• NuI-Go: Recursive Non-Local Encoder-Decoder Network for Retinal Image Non-Uniform Illumination Removal [96.12120000492962]
  網膜画像の画質は、眼の病変や不完全な画像処理のために臨床的に不満足であることが多い。 網膜画像における最も難しい品質劣化問題の1つは、一様でない照明である。 我々はNuI-Goと呼ばれる網膜画像に対する均一でない照明除去ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-08-07T04:31:33Z)
• 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)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。