論文の概要: A deep learning framework for the detection and quantification of drusen
and reticular pseudodrusen on optical coherence tomography
- arxiv url: http://arxiv.org/abs/2204.02406v1
- Date: Tue, 5 Apr 2022 14:02:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-07 13:00:39.607843
- Title: A deep learning framework for the detection and quantification of drusen
and reticular pseudodrusen on optical coherence tomography
- Title（参考訳）: 光コヒーレンストモグラフィによるdrusenとreticular pseudodrusenの検出と定量化のためのディープラーニングフレームワーク
- Authors: Roy Schwartz, Hagar Khalid, Sandra Liakopoulos, Yanling Ouyang, Coen
de Vente, Cristina Gonz\'alez-Gonzalo, Aaron Y. Lee, Robyn Guymer, Emily Y.
Chew, Catherine Egan, Zhichao Wu, Himeesh Kumar, Joseph Farrington, Clara I.
S\'anchez, Adnan Tufail
- Abstract要約: 光コヒーレンストモグラフィーによるドライセンおよびレティキュラー擬似ドライセン(RPD)の検出と定量化のためのディープラーニングフレームワークの開発と評価を行った。
- 参考スコア（独自算出の注目度）: 2.8629288334017216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose - To develop and validate a deep learning (DL) framework for the
detection and quantification of drusen and reticular pseudodrusen (RPD) on
optical coherence tomography scans.
Design - Development and validation of deep learning models for
classification and feature segmentation.
Methods - A DL framework was developed consisting of a classification model
and an out-of-distribution (OOD) detection model for the identification of
ungradable scans; a classification model to identify scans with drusen or RPD;
and an image segmentation model to independently segment lesions as RPD or
drusen. Data were obtained from 1284 participants in the UK Biobank (UKBB) with
a self-reported diagnosis of age-related macular degeneration (AMD) and 250
UKBB controls. Drusen and RPD were manually delineated by five retina
specialists. The main outcome measures were sensitivity, specificity, area
under the ROC curve (AUC), kappa, accuracy and intraclass correlation
coefficient (ICC).
Results - The classification models performed strongly at their respective
tasks (0.95, 0.93, and 0.99 AUC, respectively, for the ungradable scans
classifier, the OOD model, and the drusen and RPD classification model). The
mean ICC for drusen and RPD area vs. graders was 0.74 and 0.61, respectively,
compared with 0.69 and 0.68 for intergrader agreement. FROC curves showed that
the model's sensitivity was close to human performance.
Conclusions - The models achieved high classification and segmentation
performance, similar to human performance. Application of this robust framework
will further our understanding of RPD as a separate entity from drusen in both
research and clinical settings.
- Abstract（参考訳）: 目的 - 光コヒーレンストモグラフィーによるドライセンおよびレティキュラー擬似ドライセン(RPD)の検出と定量化のための深層学習(DL)フレームワークの開発と検証を行う。
設計 - 分類と特徴分割のためのディープラーニングモデルの開発と検証。
方法 - 非分解性スキャンを識別するための分類モデルとood(out-of-distribution)検出モデル、drusenまたはrpdでスキャンを識別する分類モデル、rpdまたはdrusenとして個別に病変を区分する画像分割モデルからなるdlフレームワークを開発した。
年齢関連黄斑変性症(AMD)と250UKBBコントロールを自己報告したUK Biobank(UKBB)の1284人の参加者からデータを得た。
ドルーゼンとPDは5人の網膜専門家によって手動で脱線された。
その結果, 感度, 特異性, ROC曲線 (AUC) 下の面積, カッパ, 精度, クラス内相関係数 (ICC) が得られた。
結果) 分類モデルは, 各課題において, 分解不能スキャン分類器, OODモデル, RPD分類器に対してそれぞれ0.95, 0.93, 0.99 AUC) を強く実施した。
drusen と rpd 領域の平均 icc はそれぞれ 0.74 と 0.61 であり、一方 は 0.69 と 0.68 である。
FROC曲線は、モデルの感度が人間の性能に近いことを示した。
結論 - モデルは人間のパフォーマンスと同様、高い分類とセグメンテーションのパフォーマンスを達成した。
このロバストなフレームワークの適用は、研究と臨床の両方において、drusenとは別のエンティティとしてのrpdをさらに理解するでしょう。
関連論文リスト
- Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。
本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
論文 参考訳（メタデータ） (2024-05-01T23:40:12Z) - Automatic hip osteoarthritis grading with uncertainty estimation from
computed tomography using digitally-reconstructed radiographs [5.910133714106733]
変形性股関節症(Hip OA)の重症度はCroweおよびKellgren-Lawrence分類を用いて分類されることが多い。
ディープ・ラーニング・モデルは2つのグレーティング・スキームを用いて病気の成績を予測するために訓練された。
モデルの精度は約0.65(ECA)と0.95(ONCA)である。
論文 参考訳（メタデータ） (2023-12-30T07:28:56Z) - A quality assurance framework for real-time monitoring of deep learning
segmentation models in radiotherapy [3.5752677591512487]
この研究は、品質保証フレームワークを確立するために、心臓のサブ構造セグメンテーションを例として用いている。
心電図(CT)画像と241例の心電図を用いたベンチマークデータセットを収集した。
訓練されたDenoising Autoencoder(DAE)と2つの手動特徴を利用して画像領域シフト検出器を開発した。
Dice similarity coefficient (DSC) を用いて患者ごとのセグメンテーション精度を予測するための回帰モデルを構築した。
論文 参考訳（メタデータ） (2023-05-19T14:51:05Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳（メタデータ） (2022-08-11T15:16:40Z) - An Efficient End-to-End Deep Neural Network for Interstitial Lung
Disease Recognition and Classification [0.5424799109837065]
本稿では、IDDパターンを分類するためのエンドツーエンドのディープ畳み込みニューラルネットワーク(CNN)を提案する。
提案モデルでは,カーネルサイズが異なる4つの畳み込み層と,Rectified Linear Unit (ReLU) アクティベーション機能を備える。
128のCTスキャンと5つのクラスからなる21328の画像パッチからなるデータセットを用いて、提案モデルのトレーニングと評価を行う。
論文 参考訳（メタデータ） (2022-04-21T06:36:10Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Semi-supervised learning for generalizable intracranial hemorrhage
detection and segmentation [0.0]
本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。
最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。
2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
論文 参考訳（メタデータ） (2021-05-03T00:14:43Z) - 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) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。