論文の概要: Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2110.01534v1
- Date: Mon, 4 Oct 2021 16:06:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 18:19:22.942144
- Title: Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders
- Title（参考訳）: Deep Feature Consistent Variational Autoencoders を用いた網膜基底写真における緑内障の評価
- Authors: Sayan Mandal, Alessandro A. Jammal and Felipe A. Medeiros
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 63.391402501241195
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the leading causes of blindness is glaucoma, which is challenging to
detect since it remains asymptomatic until the symptoms are severe. Thus,
diagnosis is usually possible until the markers are easy to identify, i.e., the
damage has already occurred. Early identification of glaucoma is generally made
based on functional, structural, and clinical assessments. However, due to the
nature of the disease, researchers still debate which markers qualify as a
consistent glaucoma metric. Deep learning methods have partially solved this
dilemma by bypassing the marker identification stage and analyzing high-level
information directly to classify the data. Although favorable, these methods
make expert analysis difficult as they provide no insight into the model
discrimination process. In this paper, we overcome this using deep generative
networks, a deep learning model that learns complicated, high-dimensional
probability distributions. We train a Deep Feature consistent Variational
Autoencoder (DFC-VAE) to reconstruct optic disc images. We show that a
small-sized latent space obtained from the DFC-VAE can learn the
high-dimensional glaucoma data distribution and provide discriminatory evidence
between normal and glaucoma eyes. Latent representations of size as low as 128
from our model got a 0.885 area under the receiver operating characteristic
curve when trained with Support Vector Classifier.
- Abstract（参考訳）: 盲目の原因の1つは緑内障であり、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。
したがって、マーカーが容易に識別されるまで診断は可能であり、つまり、すでに損傷が発生している。
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。
しかし、疾患の性質上、どのマーカーが一貫した緑内障の指標であるかはまだ議論されている。
このジレンマは、マーカー識別段階をバイパスし、高レベル情報を直接分析してデータを分類することで部分的に解決されている。
これらの手法は、モデル判別プロセスに関する洞察を得られないので、専門家による分析を困難にしている。
本稿では,複雑な高次元確率分布を学習する深層学習モデルである深層生成ネットワークを用いてこれを克服する。
我々は、光学ディスク画像の再構成のために、Deep Feature consistent Variational Autoencoder (DFC-VAE) を訓練する。
DFC-VAEから得られた小型潜伏空間は,高次元緑内障データ分布を学習し,正常眼と緑内障の鑑別的証拠を提供する。
また,本モデルでは,Support Vector Classifier を用いて学習した場合,受信機動作特性曲線の 0.885 領域を再現した。
関連論文リスト
- Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - 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) - 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) - Automatic detection of glaucoma via fundus imaging and artificial
intelligence: A review [0.4215938932388722]
緑内障は世界中で不可逆的な視覚障害の原因となっている。
ファンダスイメージングは非侵襲的で低コストである。
人工知能は、光学カップとディスクの境界を自動的に見つけることができる。
論文 参考訳（メタデータ） (2022-04-12T07:47:13Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - Facial Anatomical Landmark Detection using Regularized Transfer Learning
with Application to Fetal Alcohol Syndrome Recognition [24.27777060287004]
出生前アルコール曝露による胎児アルコール症候群(FAS)は、一連の頭蓋顔面異常を引き起こす可能性がある。
解剖学的ランドマーク検出は,FAS関連顔面異常の検出に重要である。
自然画像における顔のランドマーク検出のために設計された現在のディープラーニングに基づく熱マップ回帰法は、大きなデータセットが利用できることを前提としている。
我々は,大規模な顔認識データセットから学習したネットワークの知識を活用する,新たな正規化トランスファー学習手法を開発した。
論文 参考訳（メタデータ） (2021-09-12T11:05:06Z) - 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) - Uncertainty aware and explainable diagnosis of retinal disease [0.0]
4つの網膜疾患の診断のための深層学習モデルの不確実性解析を行う。
不確実性が認識されている間にシステムが予測に使用する特徴は、システムが決定について確信が持たないときにハイライトする能力である。
論文 参考訳（メタデータ） (2021-01-26T23:37:30Z) - Manifolds for Unsupervised Visual Anomaly Detection [79.22051549519989]
トレーニングで必ずしも異常に遭遇しない教師なしの学習方法は、非常に有用です。
ジャイロプレーン層を用いた立体投影による超球形変分オートエンコーダ(VAE)を開発した。
工業用AIシナリオにおける実世界の実用性を実証し、精密製造および検査における視覚異常ベンチマークの最先端結果を示す。
論文 参考訳（メタデータ） (2020-06-19T20:41:58Z) - 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)
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。