論文の概要: COROLLA: An Efficient Multi-Modality Fusion Framework with Supervised Contrastive Learning for Glaucoma Grading

• arxiv url: http://arxiv.org/abs/2201.03795v1
• Date: Tue, 11 Jan 2022 06:00:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-12 14:40:42.004769
• Title: COROLLA: An Efficient Multi-Modality Fusion Framework with Supervised Contrastive Learning for Glaucoma Grading
• Title（参考訳）: COROLLA:緑内障治療のためのコントラスト学習を改良した多モード統合フレームワーク
• Authors: Zhiyuan Cai, Li Lin, Huaqing He, Xiaoying Tang
• Abstract要約: 緑内障の診断に有効な多モード教師付きコントラスト学習フレームワークであるCOROLLAを提案する。 教師付きコントラスト学習を用いて、より良い収束性でモデルの識別能力を高めます。 GAMMAデータセットでは,我々のCOROLLAフレームワークは最先端の手法と比較して圧倒的な緑内障グレーディング性能を達成している。
• 参考スコア（独自算出の注目度）: 1.2250035750661867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Glaucoma is one of the ophthalmic diseases that may cause blindness, for which early detection and treatment are very important. Fundus images and optical coherence tomography (OCT) images are both widely-used modalities in diagnosing glaucoma. However, existing glaucoma grading approaches mainly utilize a single modality, ignoring the complementary information between fundus and OCT. In this paper, we propose an efficient multi-modality supervised contrastive learning framework, named COROLLA, for glaucoma grading. Through layer segmentation as well as thickness calculation and projection, retinal thickness maps are extracted from the original OCT volumes and used as a replacing modality, resulting in more efficient calculations with less memory usage. Given the high structure and distribution similarities across medical image samples, we employ supervised contrastive learning to increase our models' discriminative power with better convergence. Moreover, feature-level fusion of paired fundus image and thickness map is conducted for enhanced diagnosis accuracy. On the GAMMA dataset, our COROLLA framework achieves overwhelming glaucoma grading performance compared to state-of-the-art methods.
• Abstract（参考訳）: 緑内障は盲目を引き起こす可能性のある眼疾患の1つであり、早期発見と治療は非常に重要である。 眼底画像と光学コヒーレンス断層撮影(oct)画像はどちらも緑内障の診断に広く用いられている。 しかし, 既存の緑内障分類法は, 眼底と眼底の相補情報を無視して, 単一のモダリティを主に活用している。 本稿では,緑内障評価のための効率的な多モード教師付きコントラスト学習フレームワークcorollaを提案する。 層分割と厚さ計算と投影により、元のoctボリュームから網膜厚マップを抽出し、置換モードとして使用することにより、メモリ使用量が少なく、より効率的な計算が可能になる。 医用画像サンプルの高構造と分布の類似性を考慮し,教師付きコントラスト学習を用いて,モデルの識別能力を向上させる。 さらに, 診断精度を高めるため, 足底画像と厚みマップの特徴レベル融合を行った。 GAMMAデータセットでは,我々のCOROLLAフレームワークは最先端の手法と比較して圧倒的な緑内障グレーディング性能を達成している。

関連論文リスト

• ETSCL: An Evidence Theory-Based Supervised Contrastive Learning Framework for Multi-modal Glaucoma Grading [7.188153974946432]
  緑内障は視覚障害の主要な原因の1つである。 医用画像の類似度が高いことと、不均衡なマルチモーダルデータ分布のため、信頼性の高い特徴を抽出することは依然として困難である。 コントラストのある特徴抽出段階と決定レベルの融合段階からなる新しいフレームワークであるETSCLを提案する。
  論文  参考訳（メタデータ） (2024-07-19T11:57:56Z)
• A better approach to diagnose retinal diseases: Combining our Segmentation-based Vascular Enhancement with deep learning features [3.717366858126521]
  網膜基底像の異常は特定の病態を示す可能性がある。 従来の医学では、網膜関連疾患の診断は、医師の網膜基底画像の主観的評価に依存している。 本稿では,網膜基底画像関連疾患の迅速かつ客観的かつ正確な診断法を提案する。
  論文  参考訳（メタデータ） (2024-05-25T13:52:40Z)
• ELF: An End-to-end Local and Global Multimodal Fusion Framework for Glaucoma Grading [43.12236694270165]
  ELFと呼ばれる緑内障のグレーディングのための,エンドツーエンドの局所的およびグローバルなマルチモーダル融合フレームワークを提案する。 ELFは、FundusとOCTの補完情報を十分に活用することができる。 GAMMAデータセットを用いたマルチモーダル緑内障に対する広範囲な実験により,ELFの有効性が証明された。
  論文  参考訳（メタデータ） (2023-11-14T09:51:00Z)
• Fundus-Enhanced Disease-Aware Distillation Model for Retinal Disease Classification from OCT Images [6.72159216082989]
  OCT画像から網膜疾患分類のための基礎疾患対応蒸留モデルを提案する。 本フレームワークは, 未完成の眼底画像を用いて, OCTモデルを訓練中に強化する。 提案手法は網膜疾患分類のための単一モーダル,多モーダルおよび最先端蒸留法より優れている。
  論文  参考訳（メタデータ） (2023-08-01T05:13:02Z)
• Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
  画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。 また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
  論文  参考訳（メタデータ） (2023-02-23T06:16:15Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• GAMMA Challenge:Glaucoma grAding from Multi-Modality imAges [48.98620387924817]
  グラウコーマgAding from Multi-Modality imAges (GAMMA) Challenge を作成した。 この課題の主な課題は,2次元眼底画像と3D OCTスキャンボリュームから緑内障を診断することである。 緑内障のカラー写真と3D OCTボリュームを併用した緑内障アノテートデータセットを公表した。
  論文  参考訳（メタデータ） (2022-02-14T06:54:15Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  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。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• 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)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。