論文の概要: Automatic detection of glaucoma via fundus imaging and artificial
intelligence: A review
- arxiv url: http://arxiv.org/abs/2204.05591v1
- Date: Tue, 12 Apr 2022 07:47:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-13 23:17:22.254368
- Title: Automatic detection of glaucoma via fundus imaging and artificial
intelligence: A review
- Title（参考訳）: 眼底画像と人工知能による緑内障の自動検出
- Authors: Lauren Coan, Bryan Williams, Krishna Adithya Venkatesh, Swati
Upadhyaya, Silvester Czanner, Rengaraj Venkatesh, Colin E. Willoughby,
Srinivasan Kavitha, Gabriela Czanner
- Abstract要約: 緑内障は世界中で不可逆的な視覚障害の原因となっている。
ファンダスイメージングは非侵襲的で低コストである。
人工知能は、光学カップとディスクの境界を自動的に見つけることができる。
- 参考スコア（独自算出の注目度）: 0.4215938932388722
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Glaucoma is a leading cause of irreversible vision impairment globally and
cases are continuously rising worldwide. Early detection is crucial, allowing
timely intervention which can prevent further visual field loss. To detect
glaucoma, examination of the optic nerve head via fundus imaging can be
performed, at the centre of which is the assessment of the optic cup and disc
boundaries. Fundus imaging is non-invasive and low-cost; however, the image
examination relies on subjective, time-consuming, and costly expert
assessments. A timely question to ask is can artificial intelligence mimic
glaucoma assessments made by experts. Namely, can artificial intelligence
automatically find the boundaries of the optic cup and disc (providing a
so-called segmented fundus image) and then use the segmented image to identify
glaucoma with high accuracy. We conducted a comprehensive review on artificial
intelligence-enabled glaucoma detection frameworks that produce and use
segmented fundus images. We found 28 papers and identified two main approaches:
1) logical rule-based frameworks, based on a set of simplistic decision rules;
and 2) machine learning/statistical modelling based frameworks. We summarise
the state-of-art of the two approaches and highlight the key hurdles to
overcome for artificial intelligence-enabled glaucoma detection frameworks to
be translated into clinical practice.
- Abstract（参考訳）: 緑内障は世界規模で不可逆的な視力障害の主な原因であり、症例は世界中で増え続けている。
早期検出は重要であり、さらなる視野損失を防ぐタイムリーな介入を可能にする。
緑内障の検出には眼底イメージングによる視神経頭部の検査が可能であり、その中心は視神経カップと椎間板の境界の評価である。
眼底撮影は非侵襲的かつ低コストであるが、画像検査は主観的、時間的、そして費用のかかる専門家による評価に依存している。
タイムリーな質問は、人工知能が専門家による緑内障評価を模倣できるかだ。
すなわち、人工知能は光学カップと円板の境界を自動的に見つけて(いわゆるセグメンテーション眼底画像を提供する)、セグメンテーション画像を使用して高精度に緑内障を識別できる。
われわれは人工知能を用いた緑内障検出フレームワークの総合的なレビューを行った。
28の論文を見つけ 2つの主要なアプローチを特定しました
1) 簡素な決定規則の集合に基づく論理規則に基づく枠組み
2) 機械学習/統計モデルに基づくフレームワーク。
我々は,2つのアプローチの最先端を要約し,人工知能による緑内障検出フレームワークを臨床に翻訳する上で,克服すべき重要なハードルを強調した。
関連論文リスト
- AI-Driven Approaches for Glaucoma Detection -- A Comprehensive Review [0.09320657506524149]
コンピュータ支援診断システム(CADx)は、臨床医が早期に緑内障の正確な診断を支援するための有望なツールとして登場した。
本稿では,緑内障の診断にCADxシステムで使用されるAI技術の概要を概観する。
論文 参考訳（メタデータ） (2024-10-21T12:26:53Z) - InceptionCaps: A Performant Glaucoma Classification Model for
Data-scarce Environment [0.0]
緑内障は不可逆的な眼疾患で 世界第2位の視覚障害の原因です
本稿では,InceptionV3を畳み込みベースとしたカプセルネットワーク(CapsNet)をベースとした新しいディープラーニングモデルであるInceptionCapsを提案する。
InceptionCapsは0.956、特異性0.96、AUC0.9556を達成し、RIM-ONE v2データセット上での最先端のディープラーニングモデルのパフォーマンスを上回った。
論文 参考訳（メタデータ） (2023-11-24T11:58:11Z) - RADNet: Ensemble Model for Robust Glaucoma Classification in Color
Fundus Images [0.0]
緑内障は最も重篤な眼疾患の1つで、急激な進行と不可逆性失明を特徴とする。
集団の正常な緑内障検診では早期発見が改善するが,病原性チェックアップの望ましい頻度は期待できないことが多い。
本研究では,高度な画像前処理手法と深層分類ネットワークのアンサンブルを併用した画像前処理手法を提案する。
論文 参考訳（メタデータ） (2022-05-25T16:48:00Z) - Computer Aided Diagnosis and Out-of-Distribution Detection in Glaucoma
Screening Using Color Fundus Photography [0.10312968200748115]
本稿ではAIROGSチャレンジに提案した手法について述べる。
提案手法は畳み込みニューラルネットワークを用いて入力画像を「参照緑内障」または「参照緑内障」に分類する。
論文 参考訳（メタデータ） (2022-02-24T08:00:04Z) - 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) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - MTCD: Cataract Detection via Near Infrared Eye Images [69.62768493464053]
白内障は一般的な眼疾患であり、盲目や視力障害の主な原因の1つである。
近赤外画像を用いた白内障検出のための新しいアルゴリズムを提案する。
深層学習に基づくアイセグメンテーションとマルチタスクネットワーク分類ネットワークについて述べる。
論文 参考訳（メタデータ） (2021-10-06T08:10:28Z) - 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) - 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) - 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。