論文の概要: Blindness (Diabetic Retinopathy) Severity Scale Detection

• arxiv url: http://arxiv.org/abs/2110.01333v1
• Date: Mon, 4 Oct 2021 11:31:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 19:56:26.097058
• Title: Blindness (Diabetic Retinopathy) Severity Scale Detection
• Title（参考訳）: blindness (countable かつ uncountable, 複数形 blindnesss)
• Authors: Ramya Bygari, Rachita Naik, Uday Kumar P
• Abstract要約: 糖尿病網膜症(英: Diabetic retinopathy, DR)は、糖尿病の重篤な合併症である。 DRのタイムリーな診断と治療は、視力の喪失を避けるために重要である。 本稿では,網膜基底画像の自動スクリーニングのための新しい深層学習手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Diabetic retinopathy (DR) is a severe complication of diabetes that can cause permanent blindness. Timely diagnosis and treatment of DR are critical to avoid total loss of vision. Manual diagnosis is time consuming and error-prone. In this paper, we propose a novel deep learning based method for automatic screening of retinal fundus images to detect and classify DR based on the severity. The method uses a dual-path configuration of deep neural networks to achieve the objective. In the first step, a modified UNet++ based retinal vessel segmentation is used to create a fundus image that emphasises elements like haemorrhages, cotton wool spots, and exudates that are vital to identify the DR stages. Subsequently, two convolutional neural networks (CNN) classifiers take the original image and the newly created fundus image respectively as inputs and identify the severity of DR on a scale of 0 to 4. These two scores are then passed through a shallow neural network classifier (ANN) to predict the final DR stage. The public datasets STARE, DRIVE, CHASE DB1, and APTOS are used for training and evaluation. Our method achieves an accuracy of 94.80% and Quadratic Weighted Kappa (QWK) score of 0.9254, and outperform many state-of-the-art methods.
• Abstract（参考訳）: 糖尿病網膜症(英: Diabetic retinopathy, DR)は、糖尿病の重篤な合併症である。 DRのタイムリーな診断と治療は、視力の喪失を避けるために重要である。 手動診断は時間がかかり、エラーが発生しやすい。 本稿では,網膜基底画像の自動スクリーニングのための新しい深層学習手法を提案し,その重大度に基づいてDRを検出し分類する。 この方法は、ディープニューラルネットワークのデュアルパス構成を使用して目的を達成する。 最初のステップでは、修正されたUNet++ベースの網膜血管のセグメンテーションを使用して、出血、綿毛の斑点、DRステージを特定するのに不可欠である排出物などの要素を強調する基礎画像を生成する。 その後、2つの畳み込みニューラルネットワーク(CNN)分類器は、それぞれ原画像と新たに作成された基礎画像を入力として取り、0から4のスケールでDRの重症度を特定する。 これら2つのスコアは、最後のDRステージを予測するために、浅いニューラルネットワーク分類器(ANN)に渡される。 トレーニングと評価には、パブリックデータセットSTARE、DRIVE、CHASE DB1、APTOSが使用される。 本手法は94.80%の精度と準重み付きカッパ(QWK)スコア0.9254を達成し,多くの最先端手法より優れる。

関連論文リスト

• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• Improving Classification of Retinal Fundus Image Using Flow Dynamics Optimized Deep Learning Methods [0.0]
  糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。 経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
  論文  参考訳（メタデータ） (2023-04-29T16:11:34Z)
• Deep Semi-Supervised and Self-Supervised Learning for Diabetic Retinopathy Detection [0.0]
  糖尿病網膜症は、先進国の労働年齢層における失明の主要な原因の1つである。 深部ニューラルネットワークは眼底画像のDR分類のための自動化システムで広く利用されている。 本稿では,ラベル付き画像とラベル付き画像を利用して糖尿病網膜症を検出するモデルを訓練する半教師付き手法を提案する。
  論文  参考訳（メタデータ） (2022-08-04T02:28:13Z)
• Segmentation of Blood Vessels, Optic Disc Localization, Detection of Exudates and Diabetic Retinopathy Diagnosis from Digital Fundus Images [0.0]
  糖尿病網膜症(英: Diabetic Retinopathy, DR)は、慢性糖尿病の合併症の一つで、世界有数の失明の原因の一つである。 本稿では, DR, viz. 血管および排出液の特徴を抽出する改良的, 堅牢な方法に焦点を当てた。 血管のセグメンテーション、光ディスクの局在、DCNNはそれぞれ95.93%、98.77%、75.73%である。
  論文  参考訳（メタデータ） (2022-07-09T22:26:04Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
  脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。 本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。 本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
  論文  参考訳（メタデータ） (2021-04-04T20:30:14Z)
• 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)
• Learning Discriminative Representations for Fine-Grained Diabetic Retinopathy Grading [6.129288755571804]
  糖尿病網膜症は視覚障害の主要な原因の1つである。 病気の重症度を判定するには、眼科医は眼底画像の識別部分に焦点を当てる必要がある。
  論文  参考訳（メタデータ） (2020-11-04T04:16:55Z)
• Conversion and Implementation of State-of-the-Art Deep Learning Algorithms for the Classification of Diabetic Retinopathy [0.0]
  Inception-V3, VGG19, VGG16, ResNet50, InceptionResNetV2を実験により評価した。 彼らは、DR重度に基づいて、医療画像を5つの異なるクラスに分類する。 実験の結果、ResNet50はバイナリ分類の最高性能を示している。
  論文  参考訳（メタデータ） (2020-10-07T20:42:14Z)
• 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)
• 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。