論文の概要: AI-based automated Meibomian gland segmentation, classification and
reflection correction in infrared Meibography
- arxiv url: http://arxiv.org/abs/2205.15543v1
- Date: Tue, 31 May 2022 05:13:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-01 15:36:37.398914
- Title: AI-based automated Meibomian gland segmentation, classification and
reflection correction in infrared Meibography
- Title（参考訳）: 赤外線マイボーグラフィにおけるaiに基づく自動マイボーム腺分画,分類,反射補正
- Authors: Ripon Kumar Saha, A. M. Mahmud Chowdhury, Kyung-Sun Na, Gyu Deok
Hwang, Youngsub Eom, Jaeyoung Kim, Hae-Gon Jeon, Ho Sik Hwang, Euiheon Chung
- Abstract要約: 深層学習に基づくメボミアン腺(MG)とまぶたを分離する自動化手法を開発した。
原画像からのスペクトル反射を除去するために, 生成的対向ネットワークを実装した。
- 参考スコア（独自算出の注目度）: 12.931991157108842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: Develop a deep learning-based automated method to segment meibomian
glands (MG) and eyelids, quantitatively analyze the MG area and MG ratio,
estimate the meiboscore, and remove specular reflections from infrared images.
Methods: A total of 1600 meibography images were captured in a clinical
setting. 1000 images were precisely annotated with multiple revisions by
investigators and graded 6 times by meibomian gland dysfunction (MGD) experts.
Two deep learning (DL) models were trained separately to segment areas of the
MG and eyelid. Those segmentation were used to estimate MG ratio and
meiboscores using a classification-based DL model. A generative adversarial
network was implemented to remove specular reflections from original images.
Results: The mean ratio of MG calculated by investigator annotation and DL
segmentation was consistent 26.23% vs 25.12% in the upper eyelids and 32.34%
vs. 32.29% in the lower eyelids, respectively. Our DL model achieved 73.01%
accuracy for meiboscore classification on validation set and 59.17% accuracy
when tested on images from independent center, compared to 53.44% validation
accuracy by MGD experts. The DL-based approach successfully removes reflection
from the original MG images without affecting meiboscore grading. Conclusions:
DL with infrared meibography provides a fully automated, fast quantitative
evaluation of MG morphology (MG Segmentation, MG area, MG ratio, and
meiboscore) which are sufficiently accurate for diagnosing dry eye disease.
Also, the DL removes specular reflection from images to be used by
ophthalmologists for distraction-free assessment.
- Abstract（参考訳）: 目的: マイボーム腺(MG)とまぶたを分離し, MG面積とMG比を定量的に分析し, マイボースコアを推定し, 赤外線画像からスペクトル反射を除去する, 深層学習に基づく自動化手法を開発する。
方法: 臨床現場で1600枚のメボグラフィー画像が得られた。
1000枚の画像に複数のリビジョンを施し, マイボーム腺機能障害(MGD)の専門家によって6回評価された。
mgとeyelidの領域を分割するために2つのディープラーニング(dl)モデルを別々に訓練した。
これらのセグメンテーションは分類に基づくdlモデルを用いてmg比とmeibosコアの推定に用いられた。
画像から鏡面反射を除去するための生成的逆ネットワークが実装された。
結果: 調査医が算出したMGの平均値は, 上まぶたでは26.23%, 下まぶたでは25.12%, 下まぶたでは32.34%, 下まぶたでは32.29%であった。
mgdの専門家による53.44%の検証精度と比較し,検証セットのmeiboscore分類の精度は73.01%,独立中心画像では59.17%であった。
DLベースのアプローチは、マイボスコアグレーディングに影響を与えることなく、元のMG画像からの反射をうまく除去する。
結語: dl with infrared meibographyは, ドライアイ疾患の診断に十分正確であるmg形態(mg分画, mg面積, mg比, meiboscore)の完全自動化, 迅速な定量評価を提供する。
また、DLは、眼科医が不注意な評価のために使用する画像からの反射を除去する。
関連論文リスト
- Semi-Supervised Bone Marrow Lesion Detection from Knee MRI Segmentation Using Mask Inpainting Models [7.197545510697077]
骨髄病変(BML)は膝関節症(OA)の重要な指標である
MRIにおけるBMLの効果的な検出は、OAの診断と治療に不可欠である。
本稿では,高分解能膝関節MRIにおけるBML識別のためのマスク塗装モデルを用いた半教師付き局所異常検出法を提案する。
論文 参考訳（メタデータ） (2024-09-27T23:47:47Z) - CodaMal: Contrastive Domain Adaptation for Malaria Detection in Low-Cost Microscopes [51.5625352379093]
マラリアは世界中で大きな問題であり、診断には低コストの顕微鏡(LCM)で効果的に動作するスケーラブルなソリューションが必要である。
ディープラーニングに基づく手法は、顕微鏡画像からコンピュータ支援による診断に成功している。
これらの方法には、マラリア原虫の感染した細胞とその生活段階を示す注釈画像が必要である。
LCMからの注記画像は、高精細顕微鏡(HCM)からの注記画像と比較して医療専門家の負担を著しく増大させる
論文 参考訳（メタデータ） (2024-02-16T06:57:03Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Automatic Detection of Microaneurysms in OCT Images Using Bag of
Features [8.777674946755717]
糖尿病による糖尿病網膜症(DR)は網膜血管の変化によって発生し、視覚障害を引き起こす。
Microaneurysms (MAs) はDRの早期臨床症状であり、時間的診断はDRの発達の初期段階における検出に有効である。
本研究は, DR患者20名を対象に, FA画像とOCT画像から収集したデータセットを用いて行った。
論文 参考訳（メタデータ） (2022-05-10T06:43:01Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - A Multiple-Instance Learning Approach for the Assessment of Gallbladder
Vascularity from Laparoscopic Images [0.0]
LC操作画像のコンピュータビジョン解析によるGB壁の血管性評価のためのMIL手法を提案する。
我々は、様々な最先端のMILとシングルインスタンス学習のアプローチを比較し、変分ベイズ推定に基づくMIL手法を提案する。
提案手法は、それぞれ第1タスクと第2タスクに対して92.1%と90.3%の精度で最高の性能を示す。
論文 参考訳（メタデータ） (2021-07-26T10:22:16Z) - Pointwise visual field estimation from optical coherence tomography in
glaucoma: a structure-function analysis using deep learning [12.70143462176992]
SAP(Standard Automated Perimetry)は、緑内障治療における視野(VF)の喪失を監視するための金の標準である。
我々は,光学コヒーレンス・トモグラフィー(OCT)スキャンによる点方向および全体的VF損失を推定する深層学習(DL)回帰モデルを開発し,検証した。
論文 参考訳（メタデータ） (2021-06-07T16:58:38Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - 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) - Accurate Prostate Cancer Detection and Segmentation on Biparametric MRI
using Non-local Mask R-CNN with Histopathological Ground Truth [0.0]
我々は,bp-MRIにおける前立腺内病変の検出とセグメンテーションを改善するため,ディープラーニングモデルを開発した。
前立腺切除術による脱線をMRIでトレーニングした。
前立腺切除術をベースとした非局所的なMask R-CNNは、微調整と自己訓練により、すべての評価基準を大幅に改善した。
論文 参考訳（メタデータ） (2020-10-28T21:07:09Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z)
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。