論文の概要: Detection of multiple retinal diseases in ultra-widefield fundus images
using deep learning: data-driven identification of relevant regions
- arxiv url: http://arxiv.org/abs/2203.06113v1
- Date: Fri, 11 Mar 2022 17:33:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-14 11:54:36.620275
- Title: Detection of multiple retinal diseases in ultra-widefield fundus images
using deep learning: data-driven identification of relevant regions
- Title（参考訳）: 深層学習を用いた超広視野眼底画像における多発網膜疾患の検出:関連領域のデータ駆動同定
- Authors: Justin Engelmann, Alice D. McTrusty, Ian J. C. MacCormick, Emma Pead,
Amos Storkey, Miguel O. Bernabeu
- Abstract要約: ウルトラワイドフィールド(UWF)イメージングは、より大きな網膜視野を撮影する有望なモダリティである。
過去の研究では、深層学習(DL)モデルがUWF画像の網膜疾患の検出に有効であることが示されている。
より現実的な条件下で複数の網膜疾患を認識できるDLモデルを提案する。
- 参考スコア（独自算出の注目度）: 2.20200533591633
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ultra-widefield (UWF) imaging is a promising modality that captures a larger
retinal field of view compared to traditional fundus photography. Previous
studies showed that deep learning (DL) models are effective for detecting
retinal disease in UWF images, but primarily considered individual diseases
under less-than-realistic conditions (excluding images with other diseases,
artefacts, comorbidities, or borderline cases; and balancing healthy and
diseased images) and did not systematically investigate which regions of the
UWF images are relevant for disease detection. We first improve on the state of
the field by proposing a DL model that can recognise multiple retinal diseases
under more realistic conditions. We then use global explainability methods to
identify which regions of the UWF images the model generally attends to. Our
model performs very well, separating between healthy and diseased retinas with
an area under the curve (AUC) of 0.9206 on an internal test set, and an AUC of
0.9841 on a challenging, external test set. When diagnosing specific diseases,
the model attends to regions where we would expect those diseases to occur. We
further identify the posterior pole as the most important region in a purely
data-driven fashion. Surprisingly, 10% of the image around the posterior pole
is sufficient for achieving comparable performance to having the full images
available.
- Abstract（参考訳）: ultra-widefield (uwf) imagingは、従来の眼底撮影に比べて網膜視野を大きく捉える有望なモダリティである。
これまでの研究では、ディープラーニング(dl)モデルは、utf画像における網膜疾患の検出に有効であるが、主に非現実的条件(他の疾患、アーティファクト、コンプレビディティ、境界疾患を含む画像を除く)下での個々の疾患を考慮し、ucf画像のどの領域が疾患検出に関係しているかを体系的に調査しなかった。
まず、より現実的な環境下で複数の網膜疾患を認識できるdlモデルを提案することで、現場の状況を改善する。
次に、グローバルな説明可能性手法を用いて、モデルが一般的に参加するUWF画像の領域を特定する。
本モデルは非常によく機能しており、内部テストセット上では0.9206の曲線下(auc)の健常網膜と、挑戦的で外部テストセット上の0.09841の網膜を分離している。
特定の疾患を診断する際には、これらの疾患の発生を期待する領域にモデルが参加する。
さらに、後極を純粋にデータ駆動の方法で最も重要な領域と認識する。
驚いたことに、後極の周りの画像の10%は、全画像を利用できるのと同等のパフォーマンスを達成するのに十分である。
関連論文リスト
- EyeDiff: text-to-image diffusion model improves rare eye disease diagnosis [7.884451100342276]
EyeDiffは、自然言語のプロンプトからマルチモーダル眼科画像を生成するために設計されたテキスト・ツー・イメージモデルである。
EyeDiffは8つの大規模なデータセットでトレーニングされており、10のマルチリージョンの外部データセットに適応している。
論文 参考訳（メタデータ） (2024-11-15T07:30:53Z) - A Disease-Specific Foundation Model Using Over 100K Fundus Images: Release and Validation for Abnormality and Multi-Disease Classification on Downstream Tasks [0.0]
基礎画像の異常を検出するための教師付き人工知能モデルであるFundus-Specific Pretrained Model(Image+Fundus)を開発した。
57,803枚の画像を用いて、この事前訓練されたモデルを開発し、様々な下流タスクにおいて優れた性能を実現した。
論文 参考訳（メタデータ） (2024-08-16T15:03:06Z) - Common and Rare Fundus Diseases Identification Using Vision-Language Foundation Model with Knowledge of Over 400 Diseases [57.27458882764811]
以前の網膜画像の基礎モデルは、限られた疾患カテゴリと知識ベースで事前訓練された。
RetiZeroの事前トレーニングのために、公開データセット、眼科文献、オンラインリソースから得られたテキスト記述と組み合わせた341,896のベースイメージをコンパイルした。
RetiZeroは、ゼロショット病の認識、画像と画像の検索、内部およびドメイン間の疾患の識別など、いくつかの下流タスクにおいて優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-06-13T16:53:57Z) - Diagnosis of Multiple Fundus Disorders Amidst a Scarcity of Medical Experts Via Self-supervised Machine Learning [13.174267261284733]
ファンドス病は、世界中の視覚障害と視覚障害の主な原因である。
本研究では,無ラベルのファンドス画像から多種多様なファンドス病を処理できる,汎用的な自己教師型機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-20T14:15:25Z) - 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) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。
本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。
2つの公開データセットで最先端の結果を得る。
論文 参考訳（メタデータ） (2021-06-13T11:20:31Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳（メタデータ） (2021-03-02T13:14:15Z) - Weakly Supervised Thoracic Disease Localization via Disease Masks [29.065791290544983]
画像レベルのアノテーションのみを使用する弱監督ローカリゼーション手法が提案されている。
本稿では,主に疾患の発生領域を記述した病マスクを用いた空間的注意法を提案する。
提案手法は,最先端手法と比較して位置決め性能に優れることを示す。
論文 参考訳（メタデータ） (2021-01-25T06:52:57Z) - Leveraging Regular Fundus Images for Training UWF Fundus Diagnosis
Models via Adversarial Learning and Pseudo-Labeling [29.009663623719064]
オプトスカメラによる超広視野(UWF)200度の基礎イメージングが徐々に導入されている。
正規の眼底画像は、大量の高品質な注釈付きデータを含んでいる。
ドメインギャップのため、UWFファウンス画像を認識するために、通常のファウンス画像によって訓練されたモデルは、性能が良くない。
本稿では,通常のUWFファウンダスとUWFファウンダスとのギャップを埋めるために,修正サイクル生成対逆ネットワーク(CycleGAN)モデルを提案する。
論文 参考訳（メタデータ） (2020-11-27T16:25:30Z) - 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)
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。