論文の概要: Accurate Cup-to-Disc Ratio Measurement with Tight Bounding Box
Supervision in Fundus Photography
- arxiv url: http://arxiv.org/abs/2110.00943v1
- Date: Sun, 3 Oct 2021 07:23:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:54:37.440996
- Title: Accurate Cup-to-Disc Ratio Measurement with Tight Bounding Box
Supervision in Fundus Photography
- Title（参考訳）: ファウンダス撮影におけるタイトバウンディングボックススーパービジョンによるカップ・ディスク比の高精度測定
- Authors: Juan Wang and Bin Xia
- Abstract要約: CDRは緑内障の診断において最も重要な指標の1つである。
本研究は, 厳密な拘束箱監視のみを用いて, 底面画像における正確なCDR測定の実現可能性について検討した。
- 参考スコア（独自算出の注目度）: 5.517632401040172
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The cup-to-disc ratio (CDR) is one of the most significant indicator for
glaucoma diagnosis. Different from the use of costly fully supervised learning
formulation with pixel-wise annotations in the literature, this study
investigates the feasibility of accurate CDR measurement in fundus images using
only tight bounding box supervision. For this purpose, we develop a two-task
network for accurate CDR measurement, one for weakly supervised image
segmentation, and the other for bounding-box regression. The weakly supervised
image segmentation task is implemented based on generalized multiple instance
learning formulation and smooth maximum approximation, and the bounding-box
regression task outputs class-specific bounding box prediction in a single
scale at the original image resolution. To get accurate bounding box
prediction, a class-specific bounding-box normalizer and an expected
intersection-over-union are proposed. In the experiments, the proposed approach
was evaluated by a testing set with 1200 images using CDR error and F1 score
for CDR measurement and dice coefficient for image segmentation. A grader study
was conducted to compare the performance of the proposed approach with those of
individual graders. The results demonstrate that the proposed approach
outperforms the state-of-the-art performance obtained from the fully supervised
image segmentation (FSIS) approach using pixel-wise annotation for CDR
measurement, which is also better than those of individual graders. It also
gets performance close to the state-of-the-art obtained from FSIS for optic cup
and disc segmentation, similar to those of individual graders. The codes are
available at \url{https://github.com/wangjuan313/CDRNet}.
- Abstract（参考訳）: CDRは緑内障の診断において最も重要な指標の1つである。
本研究は,高コストで完全教師付き学習定式化を行うのと異なり,厳密なバウンディングボックス管理のみを用いた底面画像における正確なCDR測定の実現可能性について検討する。
そこで本研究では,CDR計測を高精度に行うための2タスクネットワークを開発し,画像分割を弱教師付きで行う。
この弱教師付きイメージセグメンテーションタスクは、一般化された複数インスタンス学習定式化と滑らかな最大近似に基づいて実装され、バウンディングボックス回帰タスクは、元の画像解像度で単一のスケールでクラス固有のバウンディングボックス予測を出力する。
正確なバウンディングボックス予測を実現するために,クラス固有のバウンディングボックス正規化器と期待の交叉オーバーユニオンを提案する。
実験では,CDR誤差とF1スコアを用いた1200枚の画像を用いたCDR測定と画像分割のためのダイス係数を用いて,提案手法の評価を行った。
提案手法の性能を個々の学年と比較するために, グレーダスタディを行った。
その結果,提案手法は,CDR計測のための画素ワイドアノテーションを用いたフル教師付き画像分割(FSIS)手法により得られた最先端性能よりも優れており,個々の学年よりも優れていた。
また、光学カップとディスクセグメンテーションのためのfsisから得られた最新技術に近いパフォーマンスも、個々のグレードラーに似ています。
コードは \url{https://github.com/wangjuan313/cdrnet} で入手できる。
関連論文リスト
- MB-RACS: Measurement-Bounds-based Rate-Adaptive Image Compressed Sensing Network [65.1004435124796]
本稿では,MB-RACS(Message-Bounds-based Rate-Adaptive Image Compressed Sensing Network)フレームワークを提案する。
実験により,提案手法が現在の先行手法を超越していることが実証された。
論文 参考訳（メタデータ） (2024-01-19T04:40:20Z) - CUCL: Codebook for Unsupervised Continual Learning [129.91731617718781]
本研究は,教師なし連続学習(UCL)の代替として,教師なし連続学習(UCL)に焦点を当てている。
本稿では,教師なし連続学習のためのCodebook for Unsupervised Continual Learning (CUCL) という手法を提案する。
本手法は教師なしおよび教師なしの手法の性能を大幅に向上させる。
論文 参考訳（メタデータ） (2023-11-25T03:08:50Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。
通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。
そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-20T14:53:26Z) - Assessing Coarse-to-Fine Deep Learning Models for Optic Disc and Cup
Segmentation in Fundus Images [0.0]
粗い深層学習アルゴリズムは、底面画像の鉛直カップ・トゥ・ディスク比(vCDR)を効率的に測定するために用いられる。
5つの公開データベースを用いたOD/OCセグメンテーションのための粗粒度設計の包括的解析を行う。
分析の結果,これらのアルゴリズムは必ずしも標準のマルチクラスシングルステージモデルより優れているとは限らないことがわかった。
論文 参考訳（メタデータ） (2022-09-28T19:19:16Z) - Revisiting Consistency Regularization for Semi-supervised Change
Detection in Remote Sensing Images [60.89777029184023]
教師付きクロスエントロピー(CE)損失に加えて、教師なしCD損失を定式化する半教師付きCDモデルを提案する。
2つの公開CDデータセットを用いて実験を行った結果,提案手法は教師付きCDの性能に近づきやすいことがわかった。
論文 参考訳（メタデータ） (2022-04-18T17:59:01Z) - Exploring Feature Representation Learning for Semi-supervised Medical
Image Segmentation [30.608293915653558]
半教師型医用画像分割のための2段階フレームワークを提案する。
重要な洞察は、ラベル付きおよびラベルなし(擬似ラベル付き)画像による特徴表現学習を探索することである。
段階適応型コントラスト学習法を提案し, 境界対応型コントラスト学習法を提案する。
本稿では,高品質な擬似ラベルを生成するためのアレータリック不確実性認識手法,すなわちAUAを提案する。
論文 参考訳（メタデータ） (2021-11-22T05:06:12Z) - Unsupervised Learning of Image Segmentation Based on Differentiable
Feature Clustering [14.074732867392008]
本研究では、教師なし画像分割における畳み込みニューラルネットワーク(CNN)の利用について検討した。
本稿では、正規化と、微分可能なクラスタリングのためのargmax関数からなる、教師なし画像セグメンテーションのエンドツーエンドネットワークを提案する。
第3に,既存の手法よりも精度がよいユーザ入力として,スクリブルを用いたセグメント化手法の拡張を提案する。
論文 参考訳（メタデータ） (2020-07-20T10:28:36Z) - Gradient-Induced Co-Saliency Detection [81.54194063218216]
Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。
本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
論文 参考訳（メタデータ） (2020-04-28T08:40:55Z) - SUR-FeatNet: Predicting the Satisfied User Ratio Curvefor Image
Compression with Deep Feature Learning [15.2348952809434]
本研究では,SUR曲線の予測に初となる深層学習手法を提案する。
最適なパラメトリックモデルを選択するために、最大推定法とアンダーソン・ダーリング試験を適用する方法を示す。
私たちのディープラーニングアプローチは、シアムの畳み込みニューラルネットワーク、トランスファーラーニング、ディープフィーチャーラーニングに依存しています。
論文 参考訳（メタデータ） (2020-01-07T12:37:07Z)
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。