論文の概要: Diabetic Retinopathy Screening Using Custom-Designed Convolutional
Neural Network
- arxiv url: http://arxiv.org/abs/2110.03877v1
- Date: Fri, 8 Oct 2021 03:30:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-11 14:09:57.935250
- Title: Diabetic Retinopathy Screening Using Custom-Designed Convolutional
Neural Network
- Title(参考訳): カスタムデザイン畳み込みニューラルネットワークを用いた糖尿病網膜症スクリーニング
- Authors: Fahman Saeed, Muhammad Hussain, Senior Member, IEEE, Hatim A
Aboalsamh, Senior Member, IEEE, Fadwa Al Adel, Adi Mohammed Al Owaifeer
- Abstract要約: 糖尿病網膜症(DR)の流行は世界中で34.6%に達し、中年糖尿病患者の視覚障害の主要な原因となっている。
眼底写真を用いた通常のDRスクリーニングは、合併症を検知し、高度なレベルへの進行を防ぐのに役立つ。
既存のCNNベースの手法では、トレーニング済みのCNNモデルか、新しいCNNモデルを設計するためのブルートフォースアプローチのいずれかを使用している。
- 参考スコア(独自算出の注目度): 1.3069410690405037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prevalence of diabetic retinopathy (DR) has reached 34.6% worldwide and
is a major cause of blindness among middle-aged diabetic patients. Regular DR
screening using fundus photography helps detect its complications and prevent
its progression to advanced levels. As manual screening is time-consuming and
subjective, machine learning (ML) and deep learning (DL) have been employed to
aid graders. However, the existing CNN-based methods use either pre-trained CNN
models or a brute force approach to design new CNN models, which are not
customized to the complexity of fundus images. To overcome this issue, we
introduce an approach for custom-design of CNN models, whose architectures are
adapted to the structural patterns of fundus images and better represent the
DR-relevant features. It takes the leverage of k-medoid clustering, principal
component analysis (PCA), and inter-class and intra-class variations to
automatically determine the depth and width of a CNN model. The designed models
are lightweight, adapted to the internal structures of fundus images, and
encode the discriminative patterns of DR lesions. The technique is validated on
a local dataset from King Saud University Medical City, Saudi Arabia, and two
challenging benchmark datasets from Kaggle: EyePACS and APTOS2019. The
custom-designed models outperform the famous pre-trained CNN models like
ResNet152, Densnet121, and ResNeSt50 with a significant decrease in the number
of parameters and compete well with the state-of-the-art CNN-based DR screening
methods. The proposed approach is helpful for DR screening under diverse
clinical settings and referring the patients who may need further assessment
and treatment to expert ophthalmologists.
- Abstract(参考訳): 糖尿病網膜症(dr)の発症率は世界中で34.6%に達し、中年糖尿病患者の主要な盲目の原因となっている。
眼底写真を用いた通常のDRスクリーニングは、合併症を検知し、高度なレベルへの進行を防ぐのに役立つ。
手動スクリーニングは時間がかかり主観的であるため、機械学習(ML)と深層学習(DL)が中等生を支援するために用いられてきた。
しかし、既存のCNNベースの手法では、トレーニング済みのCNNモデルか、新しいCNNモデルを設計するためのブルートフォースアプローチのいずれかを使用している。
この問題を克服するために,我々は,基盤画像の構造パターンに適応し,DR関連機能をよりよく表現するCNNモデルをカスタム設計するアプローチを提案する。
k-medoidクラスタリング、主成分分析(pca)、クラス間およびクラス内変異を利用して、cnnモデルの深さと幅を自動的に決定する。
設計されたモデルは軽量で、眼底画像の内部構造に適応し、DR病変の識別パターンを符号化する。
このテクニックは、サウジアラビアのキングソード大学メディカルシティのローカルデータセットと、Kaggleの2つの挑戦的なベンチマークデータセット、EyePACSとAPTOS2019で検証されている。
カスタムデザインのモデルは、ResNet152、Densnet121、ResNeSt50といった有名なトレーニング済みCNNモデルよりも優れており、パラメータの数は大幅に減少し、最先端のCNNベースのDRスクリーニング手法と競合する。
提案手法は多彩な臨床環境下でのDRスクリーニングに有用であり, 専門眼科医にさらなる評価と治療が必要な患者にも有用である。
関連論文リスト
- Class Attention to Regions of Lesion for Imbalanced Medical Image
Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。
CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。
その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文 参考訳(メタデータ) (2023-07-19T15:19:02Z) - 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) - DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical
Coherence Tomography Angiography Images [51.27125547308154]
第25回医用画像コンピューティング・コンピュータ支援介入国際会議(MICCAI 2022)にともなうDRAC糖尿病網膜症解析チャレンジの企画を行った。
この課題は、DR病変の分節化、画像品質評価、DRグレーディングの3つのタスクから構成される。
本稿では,課題の各課題について,トップパフォーマンスのソリューションと結果の要約と分析を行う。
論文 参考訳(メタデータ) (2023-04-05T12:04:55Z) - An Ensemble Method to Automatically Grade Diabetic Retinopathy with
Optical Coherence Tomography Angiography Images [4.640835690336653]
糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。
まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。
最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
論文 参考訳(メタデータ) (2022-12-12T22:06:47Z) - 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) - Blindness (Diabetic Retinopathy) Severity Scale Detection [0.0]
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。
論文 参考訳(メタデータ) (2021-10-04T11:31:15Z) - FEDI: Few-shot learning based on Earth Mover's Distance algorithm
combined with deep residual network to identify diabetic retinopathy [3.6623193507510012]
本稿では,Earth Moverのアルゴリズムをベースとした,糖尿病網膜症の診断支援を目的とした深部残像ネットワークの複数ショット学習モデルを提案する。
我々は,1000サンプルデータの39カテゴリに基づいて,数ショット学習のためのトレーニングと検証の分類タスクを構築し,深層残留ネットワークを訓練し,経験的事前学習モデルを得る。
事前学習モデルの重みに基づいて、Earth MoverのDistanceアルゴリズムは画像間の距離を計算し、画像間の類似性を求め、モデルのパラメータを変更してトレーニングモデルの精度を向上させる。
論文 参考訳(メタデータ) (2021-08-22T13:05:02Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Towards the Localisation of Lesions in Diabetic Retinopathy [2.3204178451683264]
本研究は,4つの最先端ディープラーニングモデルの事前学習重量を用いて,糖尿病網膜症(DR)基底画像の局所化マップを作成し,比較する。
inceptionv3は、テスト分類精度96.07%で最高の性能を達成し、病変を他のモデルよりも良く高速にローカライズする。
論文 参考訳(メタデータ) (2020-12-21T15:39:17Z) - 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。