論文の概要: Machine Learning Method for Functional Assessment of Retinal Models
- arxiv url: http://arxiv.org/abs/2202.02443v1
- Date: Sat, 5 Feb 2022 00:35:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-13 17:18:13.136497
- Title: Machine Learning Method for Functional Assessment of Retinal Models
- Title（参考訳）: 網膜モデルの機能評価のための機械学習手法
- Authors: Nikolas Papadopoulos, Nikos Melanitis, Antonio Lozano, Cristina
Soto-Sanchez, Eduardo Fernandez, Konstantina S Nikita
- Abstract要約: 本稿では,網膜モデルの機能評価(FA)について紹介する。
我々は従来の機械学習分類器に網膜モデルにより生成されたRCC応答を供給したFAのための機械学習手法を提案する。
その結果,データセットの構造の違いは網膜モデルの性能に大きく違いがあることが判明した。
- 参考スコア（独自算出の注目度）: 5.396946042201311
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Challenges in the field of retinal prostheses motivate the development of
retinal models to accurately simulate Retinal Ganglion Cells (RGCs) responses.
The goal of retinal prostheses is to enable blind individuals to solve complex,
reallife visual tasks. In this paper, we introduce the functional assessment
(FA) of retinal models, which describes the concept of evaluating the
performance of retinal models on visual understanding tasks. We present a
machine learning method for FA: we feed traditional machine learning
classifiers with RGC responses generated by retinal models, to solve object and
digit recognition tasks (CIFAR-10, MNIST, Fashion MNIST, Imagenette). We
examined critical FA aspects, including how the performance of FA depends on
the task, how to optimally feed RGC responses to the classifiers and how the
number of output neurons correlates with the model's accuracy. To increase the
number of output neurons, we manipulated input images - by splitting and then
feeding them to the retinal model and we found that image splitting does not
significantly improve the model's accuracy. We also show that differences in
the structure of datasets result in largely divergent performance of the
retinal model (MNIST and Fashion MNIST exceeded 80% accuracy, while CIFAR-10
and Imagenette achieved ~40%). Furthermore, retinal models which perform better
in standard evaluation, i.e. more accurately predict RGC response, perform
better in FA as well. However, unlike standard evaluation, FA results can be
straightforwardly interpreted in the context of comparing the quality of visual
perception.
- Abstract（参考訳）: 網膜補綴の分野における課題は、網膜ガングリオン細胞(RGC)の反応を正確にシミュレートする網膜モデルの開発を動機付けている。
網膜補綴の目標は、視覚障害者が複雑な実際の視覚タスクを解決できるようにすることである。
本稿では,視覚的理解タスクにおいて網膜モデルの性能を評価する概念である網膜モデルの機能評価(FA)について述べる。
我々は、従来の機械学習分類器に網膜モデルによって生成されたRCC応答を供給し、オブジェクトおよびデジタル認識タスク(CIFAR-10, MNIST, Fashion MNIST, Imagenette)を解決する。
FAの性能がタスクにどのように依存するか、分類器にRGC応答を最適に供給する方法、出力ニューロン数がモデルの精度とどのように相関するかなど、FAの重要な側面について検討した。
出力ニューロンの数を増やすために,網膜モデルに分割して供給することで,入力画像の操作を行い,画像分割がモデルの精度を著しく向上しないことがわかった。
また,データセットの構造の違いにより,網膜モデルの性能が大きく異なっていた(mnist と fashion mnist は80%以上,cifar-10 と imagenette は40%)。
さらに、標準評価において、より正確にRGC応答を予測し、FAでもより良い性能を発揮する網膜モデルも実現している。
しかし、標準的な評価とは異なり、FAの結果は視覚知覚の質を比較する文脈で直接解釈することができる。
関連論文リスト
- Synthetic Generation of Dermatoscopic Images with GAN and Closed-Form Factorization [12.753792457271953]
本稿では,GAN(Generative Adversarial Network)ベースのモデルを活用する,革新的な教師なし拡張ソリューションを提案する。
セマンティックなバリエーションを取り入れた合成画像を作成し、これらの画像でトレーニングデータを拡張した。
皮膚病変分類において,機械学習モデルの性能を向上し,非アンサンブルモデルに新しいベンチマークを設定できた。
論文 参考訳（メタデータ） (2024-10-07T15:09:50Z) - FGR-Net:Interpretable fundus imagegradeability classification based on deepreconstruction learning [4.377496499420086]
本稿ではFGR-Netと呼ばれる新しいフレームワークを提案する。
FGR-Netモデルは、可視化による解釈可能な品質評価も提供する。
その結果,FGR-Netの精度は89%,F1スコアは87%であった。
論文 参考訳（メタデータ） (2024-09-16T12:56:23Z) - Diffusion Model Based Visual Compensation Guidance and Visual Difference
Analysis for No-Reference Image Quality Assessment [82.13830107682232]
本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。
生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。
2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
論文 参考訳（メタデータ） (2024-02-22T09:39:46Z) - Enhance Eye Disease Detection using Learnable Probabilistic Discrete Latents in Machine Learning Architectures [1.6000489723889526]
糖尿病網膜症や緑内障などの眼疾患は、公衆衛生上の重大な課題となる。
深層学習モデルは、網膜イメージングのような医療画像を分析する強力なツールとして登場した。
課題は、モデル適合性と不確実性の推定であり、これは臨床的な意思決定に不可欠である。
論文 参考訳（メタデータ） (2024-01-21T04:14:54Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。
本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。
本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
論文 参考訳（メタデータ） (2022-06-29T15:22:01Z) - Self-Supervised Vision Transformers Learn Visual Concepts in
Histopathology [5.164102666113966]
我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。
我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
論文 参考訳（メタデータ） (2022-03-01T16:14:41Z) - Performance or Trust? Why Not Both. Deep AUC Maximization with
Self-Supervised Learning for COVID-19 Chest X-ray Classifications [72.52228843498193]
ディープラーニングモデルのトレーニングでは、パフォーマンスと信頼の間に妥協をしなければなりません。
本研究は、新型コロナウイルス患者のコンピュータ支援スクリーニングのための自己教師型学習と新しい代理損失を統合したものである。
論文 参考訳（メタデータ） (2021-12-14T21:16:52Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Self-Supervised Representation Learning for Detection of ACL Tear Injury
in Knee MR Videos [18.54362818156725]
本稿では,MRビデオクリップから伝達可能な特徴を学習するための自己教師付き学習手法を提案する。
我々の知る限りでは、MRビデオから損傷分類タスクを実行する教師付き学習モデルには、モデルによる決定についての説明がない。
論文 参考訳（メタデータ） (2020-07-15T15:35:47Z) - 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。