論文の概要: Anomaly Detection in Retinal Images using Multi-Scale Deep Feature Sparse Coding

• arxiv url: http://arxiv.org/abs/2201.11506v1
• Date: Thu, 27 Jan 2022 13:36:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-28 18:50:25.312195
• Title: Anomaly Detection in Retinal Images using Multi-Scale Deep Feature Sparse Coding
• Title（参考訳）: マルチスケール深部特徴スパース符号化による網膜画像の異常検出
• Authors: Sourya Dipta Das, Saikat Dutta, Nisarg A. Shah, Dwarikanath Mahapatra, Zongyuan Ge
• Abstract要約: 本稿では,網膜画像の異常検出のための教師なしアプローチを導入し,この問題を克服する。 我々は,Eye-Q,IDRiD,OCTIDデータセット上での最先端のSPADEに対して,AUCスコアが7.8%,6.7%,12.1%向上した。
• 参考スコア（独自算出の注目度）: 30.097208168480826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional Neural Network models have successfully detected retinal illness from optical coherence tomography (OCT) and fundus images. These CNN models frequently rely on vast amounts of labeled data for training, difficult to obtain, especially for rare diseases. Furthermore, a deep learning system trained on a data set with only one or a few diseases cannot detect other diseases, limiting the system's practical use in disease identification. We have introduced an unsupervised approach for detecting anomalies in retinal images to overcome this issue. We have proposed a simple, memory efficient, easy to train method which followed a multi-step training technique that incorporated autoencoder training and Multi-Scale Deep Feature Sparse Coding (MDFSC), an extended version of normal sparse coding, to accommodate diverse types of retinal datasets. We achieve relative AUC score improvement of 7.8\%, 6.7\% and 12.1\% over state-of-the-art SPADE on Eye-Q, IDRiD and OCTID datasets respectively.
• Abstract（参考訳）: 畳み込みニューラルネットワークモデルは、光コヒーレンストモグラフィ(oct)および眼底画像から網膜疾患を検出できた。 これらのCNNモデルはトレーニングのために大量のラベル付きデータに依存しており、特にまれな疾患では入手が困難である。 さらに、1つまたは数個の疾患からなるデータセットでトレーニングされた深層学習システムは、他の疾患を検出できず、疾患識別におけるシステムの実用的な使用を制限している。 我々は,網膜画像の異常を検出するための教師なしアプローチを導入し,この問題を克服した。 我々は,多段階のトレーニング手法であるオートエンコーダトレーニングと,正常スパース符号化の拡張版であるMDFSC(Multi-Scale Deep Feature Sparse Coding)を併用して,多様な種類の網膜データセットに対応するための,シンプルで,メモリ効率が高く、訓練が容易な方法を提案する。 我々は、Eye-Q, IDRiD, OCTIDデータセット上の最先端SPADEに対して、相対AUCスコアを7.8\%, 6.7\%, 12.1\%向上させる。

関連論文リスト

• LMBF-Net: A Lightweight Multipath Bidirectional Focal Attention Network for Multifeatures Segmentation [15.091476025563528]
  網膜疾患は、早期に診断や治療を受けなければ、両眼で不可逆的な視力喪失を引き起こす可能性がある。 多くのラベルや属性で網膜画像をセグメント化するための現在のディープラーニング技術は、検出精度と一般性に乏しい。 本稿では,多機能セグメンテーションのためのマルチパス畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-07-03T07:37:09Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Retinal Image Segmentation with Small Datasets [25.095695898777656]
  糖尿病黄斑浮腫(DME)、加齢関連黄斑変性(AMD)、緑内障などの多くの眼疾患が網膜に出現し、不可逆的な失明や中心バージョンに深刻な障害を引き起こす。 オプティカルコヒーレンス・トモグラフィ(OCT)は網膜の3Dスキャンであり、網膜解剖の変化を診断し、モニターするために用いられる。 多くのDeep Learning(DL)メソッドは、網膜の病理学的変化を監視する自動化ツールの開発の成功を共有している。
  論文  参考訳（メタデータ） (2023-03-09T08:32:14Z)
• Self-Supervised Endoscopic Image Key-Points Matching [1.3764085113103222]
  本稿では,深層学習技術に基づく内視鏡画像マッチングのための新しい自己教師型アプローチを提案する。 提案手法は,手作りの標準的なローカル特徴記述子よりも精度とリコールの点で優れていた。
  論文  参考訳（メタデータ） (2022-08-24T10:47:21Z)
• About Explicit Variance Minimization: Training Neural Networks for Medical Imaging With Limited Data Annotations [2.3204178451683264]
  VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。 多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
  論文  参考訳（メタデータ） (2021-05-28T21:34:04Z)
• 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)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Image Anomaly Detection by Aggregating Deep Pyramidal Representations [16.246831343527052]
  異常検出は、データセット内で、ほとんどのデータと大きく異なるサンプルを特定することで構成される。 本稿では,複数のピラミッドレベルを持つ深層ニューラルネットワークを用いた画像異常検出に着目し,画像特徴を異なるスケールで解析する。
  論文  参考訳（メタデータ） (2020-11-12T09:58:27Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。