論文の概要: Optic Disc Segmentation using Disk-Centered Patch Augmentation
- arxiv url: http://arxiv.org/abs/2110.00512v1
- Date: Fri, 1 Oct 2021 16:25:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-04 14:38:56.342715
- Title: Optic Disc Segmentation using Disk-Centered Patch Augmentation
- Title（参考訳）: Disk-Centered Patch Augmentation を用いた光学ディスク分割
- Authors: Saeid Motevali, Aashis Khanal, and Rolando Estrada
- Abstract要約: Disc-centered patch augmentation (DCPA) は、ディープニューラルネットワークのための単純だが斬新なトレーニングスキームである。
DCPAは、小さなニューラルネットワークを使用しても、フルサイズの画像に対して最先端の結果を達成する。
我々は5つの網膜データセット上でDCPAトレーニングネットワークをテストした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The optic disc is a crucial diagnostic feature in the eye since changes to
its physiognomy is correlated with the severity of various ocular and
cardiovascular diseases. While identifying the bulk of the optic disc in a
color fundus image is straightforward, accurately segmenting its boundary at
the pixel level is very challenging. In this work, we propose disc-centered
patch augmentation (DCPA) -- a simple, yet novel training scheme for deep
neural networks -- to address this problem. DCPA achieves state-of-the-art
results on full-size images even when using small neural networks, specifically
a U-Net with only 7 million parameters as opposed to the original 31 million.
In DCPA, we restrict the training data to patches that fully contain the optic
nerve. In addition, we also train the network using dynamic cost functions to
increase its robustness. We tested DCPA-trained networks on five retinal
datasets: DRISTI, DRIONS-DB, DRIVE, AV-WIDE, and CHASE-DB. The first two had
available optic disc ground truth, and we manually estimated the ground truth
for the latter three. Our approach achieved state-of-the-art F1 and IOU results
on four datasets (95 % F1, 91 % IOU on DRISTI; 92 % F1, 84 % IOU on DRIVE; 83 %
F1, 71 % IOU on AV-WIDE; 83 % F1, 71 % IOU on CHASEDB) and competitive results
on the fifth (95 % F1, 91 % IOU on DRIONS-DB), confirming its generality. Our
open-source code and ground-truth annotations are available at:
https://github.com/saeidmotevali/fundusdisk
- Abstract（参考訳）: 光ディスクは、様々な眼疾患や心臓血管疾患の重症度と相関するため、眼科領域において重要な診断特徴である。
光学ディスクの大部分をカラーファウンス画像で識別するのは簡単だが、その境界線をピクセルレベルで正確に区分するのは非常に難しい。
本研究では,この問題を解決するために,深層ニューラルネットワークのための単純かつ新規なトレーニングスキームであるディスク中心パッチ強化(dcpa)を提案する。
DCPAは、小さなニューラルネットワーク、特に700万のパラメータしか持たないU-Netを使用しても、フルサイズの画像に対して最先端の結果を達成する。
DCPAでは、トレーニングデータを視神経を完全に含むパッチに制限する。
さらに,ネットワークのロバスト性を高めるために動的コスト関数を用いてネットワークをトレーニングする。
DRISTI,DRIONS-DB,DRIVE,AV-WIDE,CHASE-DBの5つの網膜データセット上でDCPAトレーニングネットワークを試験した。
最初の2つは光学ディスク基底真理を入手でき、我々は手動で後者の3つの基底真理を推定した。
提案手法は, DRISTI では 95 % F1, 91 % IOU ,DRIVE では 92 % F1, 84 % IOU ,AV-WIDE では 83 % F1, 71 % IOU ,CHASEDB では 83 % F1, 71 % IOU の4つのデータセット(DRISTI では 95 % F1, 91 % IOU ,DRIONS-DB では 91 % の IOU の一般性が確認された。
当社のオープンソースコードと基盤となるアノテーションは、https://github.com/saeidmotevali/fundusdiskで利用可能です。
関連論文リスト
- Topology and Intersection-Union Constrained Loss Function for Multi-Region Anatomical Segmentation in Ocular Images [5.628938375586146]
眼筋無力症(OMG)は早期に発見される稀かつ困難な疾患である。
現在、この目的のために利用可能なデータセットやツールは存在しない。
我々は,小さなトレーニングデータセットを用いた性能向上を目的とした,新しいトポロジと共役制約付き損失関数(TIU損失)を提案する。
論文 参考訳（メタデータ） (2024-11-01T13:17:18Z) - Less Could Be Better: Parameter-efficient Fine-tuning Advances Medical
Vision Foundation Models [71.18275399694689]
医療視基盤モデルにおけるPEFTの有効性はまだ不明である。
NIH ChestX-ray14のラベル付きデータを用いたAUROCスコアの80.6%など,さまざまなデータ効率の学習タスクに対して,新たな最先端技術を構築した。
本研究は, PEFTを用いた医用画像の伝達学習において, コミュニティの注目を集めることが期待できる。
論文 参考訳（メタデータ） (2024-01-22T18:59:07Z) - Rotation-Agnostic Image Representation Learning for Digital Pathology [0.8246494848934447]
本稿では,全スライディング画像(WSI)解析のための高速パッチ選択法FPSを提案する。
また5つのTransformerブロックの最小構成を持つ軽量な病理機能抽出器であるPathDinoも紹介されている。
本モデルでは,12種類の異なるデータセット上で,既存の病理組織特異的ビジョントランスフォーマーよりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-11-14T18:01:15Z) - One-Shot Learning for Periocular Recognition: Exploring the Effect of
Domain Adaptation and Data Bias on Deep Representations [59.17685450892182]
広範に使用されているCNNモデルにおける深部表現の挙動をワンショット近視認識のための極端データ不足下で検討する。
我々は、バイオメトリックデータセットで訓練されたネットワークを数百万の画像で活用し、最先端の結果を改善した。
SIFTのような従来のアルゴリズムは、限られたデータでCNNより優れている。
論文 参考訳（メタデータ） (2023-07-11T09:10:16Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Automated age-related macular degeneration area estimation -- first
results [0.0]
本研究の目的は、RGB眼底画像における加齢関連黄斑変性(AMD)病変の自動検出方法を検討することである。
侵襲的に得られた眼底コントラスト画像とRGB画像とを一致させ,手動で病変を診断した。
MobileNetV3のセグメンテーションにおける予備的最良の結果として、93.55%の精度または69.71%のDiceインデックスを達成した。
論文 参考訳（メタデータ） (2021-07-05T18:29:56Z) - Dynamic region proposal networks for semantic segmentation in automated
glaucoma screening [0.8029049649310211]
眼底画像による緑内障のスクリーニングは、眼球径比とディスク径比で決定できる。
我々は2つの新しいアプローチ、すなわち2つの新しいアプローチを提案する。
Shared Branched Network (PSBN) and Weak Region of Interest Model-based segmentation (英語)
論文 参考訳（メタデータ） (2021-05-19T11:19:14Z) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳（メタデータ） (2020-10-29T15:39:19Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Fully Automatic Intervertebral Disc Segmentation Using Multimodal 3D
U-Net [12.619402990144922]
本稿では,MRI画像からIVDを分割する3次元U-Netに基づく新しい畳み込みフレームワークを提案する。
まず、各脊椎標本において椎間板の中心を局在させ、その後、局所化された椎間板を中心とした小体積の収穫に基づいてネットワークを訓練する。
論文 参考訳（メタデータ） (2020-09-28T18:58:24Z)
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。