論文の概要: KFWC: A Knowledge-Driven Deep Learning Model for Fine-grained
Classification of Wet-AMD
- arxiv url: http://arxiv.org/abs/2112.12386v1
- Date: Thu, 23 Dec 2021 07:01:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-24 16:31:36.852047
- Title: KFWC: A Knowledge-Driven Deep Learning Model for Fine-grained
Classification of Wet-AMD
- Title(参考訳): KFWC:Wet-AMDのきめ細かい分類のための知識駆動型ディープラーニングモデル
- Authors: Haihong E, Jiawen He, Tianyi Hu, Lifei Wang, Lifei Yuan, Ruru Zhang
and Meina Song
- Abstract要約: 本稿では, 知識駆動型細粒度湿式分類モデル(KFWC)を提案する。
KFWCに入力画像の10個の病変の先行知識を導入することで,KFWCを複数ラベルの事前学習によって加速することを目指している。
実験では、AU-ROCスコアの99.71%に達するKFWCの有効性が示されている。
- 参考スコア(独自算出の注目度): 3.237024111368401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated diagnosis using deep neural networks can help ophthalmologists
detect the blinding eye disease wet Age-related Macular Degeneration (AMD).
Wet-AMD has two similar subtypes, Neovascular AMD and Polypoidal Choroidal
Vessels (PCV). However, due to the difficulty in data collection and the
similarity between images, most studies have only achieved the coarse-grained
classification of wet-AMD rather than a finer-grained one of wet-AMD subtypes.
To solve this issue, in this paper we propose a Knowledge-driven Fine-grained
Wet-AMD Classification Model (KFWC), to classify fine-grained diseases with
insufficient data. With the introduction of a priori knowledge of 10 lesion
signs of input images into the KFWC, we aim to accelerate the KFWC by means of
multi-label classification pre-training, to locate the decisive image features
in the fine-grained disease classification task and therefore achieve better
classification. Simultaneously, the KFWC can also provide good interpretability
and effectively alleviate the pressure of data collection and annotation in the
field of fine-grained disease classification for wet-AMD. The experiments
demonstrate the effectiveness of the KFWC which reaches 99.71% in AU-ROC
scores, and its considerable improvements over the data-driven w/o Knowledge
and ophthalmologists, with the rates of 6.69% over the strongest baseline and
4.14% over ophthalmologists.
- Abstract(参考訳): 深部ニューラルネットワークを用いた自動診断は、眼科医が目障りな眼疾患の加齢関連黄斑変性(AMD)を検出するのに役立つ。
Wet-AMDには2つの類似したサブタイプがあり、Neovascular AMDとPolypoidal Choroidal Vessels (PCV)がある。
しかし,データ収集の困難さや画像間の類似性から,ほとんどの研究は湿性AMDサブタイプよりも粗粒度が細かい湿性AMDの分類に留まっている。
本稿では,この問題を解決するために,kfwc (kfwc) を用いて,未十分なデータを用いて細粒度疾患を分類する手法を提案する。
KFWCに入力画像の10の病変徴候の事前知識を導入することで、KFWCを多ラベル分類事前訓練により加速し、きめ細かな疾患分類タスクにおける決定的な画像特徴を特定し、より良い分類を実現することを目指している。
同時に、kfwcは、優れた解釈性を提供し、湿式amdの細粒度疾患分類の分野でのデータ収集やアノテーションの圧力を効果的に軽減することができる。
実験では、AU-ROCスコアの99.71%に達するKFWCの有効性と、データ駆動のw/o知識と眼科医に対する大幅な改善が示され、最も強いベースラインよりも6.69%、眼科医より4.14%である。
関連論文リスト
- AMDNet23: A combined deep Contour-based Convolutional Neural Network and
Long Short Term Memory system to diagnose Age-related Macular Degeneration [0.0]
本研究は、畳み込み(CNN)と短期記憶(LSTM)からなるニューラルネットワークを組み合わせた深層学習システムAMDNet23を用いて、眼底部から老化性黄斑変性(AMD)疾患を自動的に検出する。
提案されたハイブリッド深度AMDNet23モデルは、AMD眼疾患の検出を実証し、実験結果は精度96.50%、特異度99.32%、感度96.5%、F1スコア96.49.0%を達成した。
論文 参考訳(メタデータ) (2023-08-30T07:48:32Z) - Early Diagnosis of Retinal Blood Vessel Damage via Deep Learning-Powered
Collective Intelligence Models [0.3670422696827525]
Swarmアルゴリズムのパワーは、タスクに最適なモデルを提供するために、畳み込み層、プーリング層、正規化層の様々な組み合わせを探すために使用される。
最高のTDCNモデルは90.3%、AUC ROCは0.956、Cohenスコアは0.967である。
論文 参考訳(メタデータ) (2022-10-17T21:38:38Z) - RoS-KD: A Robust Stochastic Knowledge Distillation Approach for Noisy
Medical Imaging [67.02500668641831]
ノイズの多いデータセットでトレーニングされたディープラーニングモデルは、ノイズタイプに敏感であり、目に見えないサンプルの一般化が少なくなる。
本稿では,複数の情報源からトピックを学習する概念を模倣したロバスト知識蒸留(RoS-KD)フレームワークを提案する。
RoS-KDは、訓練データの重複する部分集合について訓練された複数の教師から知識を蒸留することにより、滑らかで、よく表現された、堅牢な学生多様体を学習する。
論文 参考訳(メタデータ) (2022-10-15T22:32:20Z) - SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for
Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。
皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。
本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2022-03-22T06:54:29Z) - 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) - Categorical Relation-Preserving Contrastive Knowledge Distillation for
Medical Image Classification [75.27973258196934]
そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。
この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。
CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
論文 参考訳(メタデータ) (2021-07-07T13:56:38Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Intrapapillary Capillary Loop Classification in Magnification Endoscopy:
Open Dataset and Baseline Methodology [8.334256673330879]
我々は静止画やビデオフレームを正常または異常と分類できるコンピュータ支援検出システムを構築した。
114の患者ビデオから抽出された68Kバイナリラベルフレームを含む新しいベンチマークデータセットを紹介します。
提案手法は, 臨床医12名による94.7 %に対して, 平均91.7 %の精度を示した。
論文 参考訳(メタデータ) (2021-02-19T14:55:21Z) - Deep Multi-Scale Resemblance Network for the Sub-class Differentiation
of Adrenal Masses on Computed Tomography Images [16.041873352037594]
副腎の腫瘤は良性または悪性であり、良性は様々な有病率を持つ。
CNNは、大規模な医用画像訓練データセットのクラス間差を最大化する最先端技術である。
副腎腫瘤に対するCNNの応用は、大きなクラス内変異、大きなクラス間類似性、不均衡なトレーニングデータにより困難である。
そこで我々は,これらの制約を克服する深層マルチスケール類似ネットワーク(DMRN)を開発し,クラス内類似性を評価するためにペアCNNを利用した。
論文 参考訳(メタデータ) (2020-07-29T06:24:53Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z) - Synergic Adversarial Label Learning for Grading Retinal Diseases via
Knowledge Distillation and Multi-task Learning [29.46896757506273]
良質な医師のアノテート画像は非常に高価であり、様々な網膜疾患に対して限られた量のデータしか利用できない。
一部の研究では、AMDとDRは出血点や吐出などの一般的な特徴を共有しているが、ほとんどの分類アルゴリズムはこれらの疾患モデルを個別に訓練するだけである。
本稿では,関連網膜疾患ラベルを意味的および特徴空間の両方で付加的な信号として活用し,協調的にモデルを訓練するSALL法を提案する。
論文 参考訳(メタデータ) (2020-03-24T01:32:04Z)
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。