論文の概要: CDNet: Contrastive Disentangled Network for Fine-Grained Image
Categorization of Ocular B-Scan Ultrasound
- arxiv url: http://arxiv.org/abs/2206.08524v1
- Date: Fri, 17 Jun 2022 03:12:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-21 04:20:33.019413
- Title: CDNet: Contrastive Disentangled Network for Fine-Grained Image
Categorization of Ocular B-Scan Ultrasound
- Title（参考訳）: CDNet:光B-Scan超音波の微細画像分類のためのコントラストディスタングルネットワーク
- Authors: Ruilong Dan, Yunxiang Li, Yijie Wang, Gangyong Jia, Ruiquan Ge, Juan
Ye, Qun Jin, Yaqi Wang
- Abstract要約: 本研究では, コントラッシブ・ディコンタングルド・ネットワーク(CDNet)を開発した。
超音波画像における視線異常の微細な分類課題に取り組むことを目的としている。
CDNetの3つの重要な構成要素は、弱制御型病変局在モジュール(WSL)、コントラスト型マルチゾーン(CMZ)戦略、超球面型コントラスト型アンタングルドロス(HCD-Loss)である。
- 参考スコア（独自算出の注目度）: 6.108783901856703
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Precise and rapid categorization of images in the B-scan ultrasound modality
is vital for diagnosing ocular diseases. Nevertheless, distinguishing various
diseases in ultrasound still challenges experienced ophthalmologists. Thus a
novel contrastive disentangled network (CDNet) is developed in this work,
aiming to tackle the fine-grained image categorization (FGIC) challenges of
ocular abnormalities in ultrasound images, including intraocular tumor (IOT),
retinal detachment (RD), posterior scleral staphyloma (PSS), and vitreous
hemorrhage (VH). Three essential components of CDNet are the weakly-supervised
lesion localization module (WSLL), contrastive multi-zoom (CMZ) strategy, and
hyperspherical contrastive disentangled loss (HCD-Loss), respectively. These
components facilitate feature disentanglement for fine-grained recognition in
both the input and output aspects. The proposed CDNet is validated on our ZJU
Ocular Ultrasound Dataset (ZJUOUSD), consisting of 5213 samples. Furthermore,
the generalization ability of CDNet is validated on two public and widely-used
chest X-ray FGIC benchmarks. Quantitative and qualitative results demonstrate
the efficacy of our proposed CDNet, which achieves state-of-the-art performance
in the FGIC task. Code is available at:
https://github.com/ZeroOneGame/CDNet-for-OUS-FGIC .
- Abstract（参考訳）: B-Scan超音波画像の高精度かつ迅速な分類は眼疾患の診断に不可欠である。
それでも、超音波で様々な病気を区別することは、眼科医が経験した課題である。
そこで本研究では,眼内腫瘍 (IOT) ,網膜剥離 (RD) ,後腹膜肉腫 (PSS) , 硝子体出血 (VH) などの超音波画像における眼内異常の細粒度分類 (FGIC) 問題に取り組むために, 新たにCDNetを開発した。
CDNetの3つの重要な構成要素は、弱制御型病変局在モジュール(WSLL)、コントラスト型マルチゾーン(CMZ)戦略、超球面型コントラスト型アンタングルドロス(HCD-Loss)である。
これらのコンポーネントは、入出力と入出力の両方において細粒度認識のための特徴ディスタングルを容易にする。
提案したCDNetは5213個のサンプルからなるZJU Ocular Ultrasound Dataset (ZJUOUSD)で検証されている。
さらに、CDNetの一般化能力は、2つの公開および広く使われている胸部X線FGICベンチマークで検証される。
FGICタスクにおける最先端性能を実現するCDNetの有効性を定量的・定性的に検証した。
コードは、https://github.com/ZeroOneGame/CDNet-for-OUS-FGIC で入手できる。
関連論文リスト
- Ultrasound Image Enhancement using CycleGAN and Perceptual Loss [4.428854369140015]
本研究は超音波画像,特に携帯型ハンドヘルドデバイスで捉えた画像の高機能化を目的とした高度なフレームワークを導入する。
我々は,5臓器系における超音波画像強調のために,CycleGANモデルを用いた。
論文 参考訳（メタデータ） (2023-12-18T23:21:00Z) - EDDense-Net: Fully Dense Encoder Decoder Network for Joint Segmentation
of Optic Cup and Disc [0.880802134366532]
緑内障(英: Glaucoma)は、視神経に損傷を与える眼疾患であり、視覚障害と永久盲眼を引き起こす。
緑内障の診断には、光ディスク(OD)検査におけるカップ・ツー・ディスク比(CDR)の推定が用いられる。
OCとODの結合分割のためのEDDense-Netセグメンテーションネットワークを提案する。
論文 参考訳（メタデータ） (2023-08-20T07:45:03Z) - nnUNet RASPP for Retinal OCT Fluid Detection, Segmentation and
Generalisation over Variations of Data Sources [25.095695898777656]
我々は、複数のデバイスベンダーの画像間で一貫した高パフォーマンスを持つnnUNetの2つの変種を提案する。
このアルゴリズムはMICCAI 2017 RETOUCHチャレンジデータセットで検証された。
実験の結果,我々のアルゴリズムは最先端のアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2023-02-25T23:47:23Z) - COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical
Network to Monitor and Detect COVID-19 Infection from Point-of-Care
Ultrasound Images [66.63200823918429]
COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。
ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
論文 参考訳（メタデータ） (2023-01-04T16:05:51Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T18:54:25Z) - U-Net with Hierarchical Bottleneck Attention for Landmark Detection in
Fundus Images of the Degenerated Retina [0.0]
HBA-U-Netは階層的なボトルネックに注目するU-Netバックボーンである。
HBA-U-Netは、データセットと眼の条件をまたいだ胎児検出の最先端の結果を得た。
以上の結果から,HBA-U-Netは網膜変性疾患の存在下でのランドマーク検出に適している可能性が示唆された。
論文 参考訳（メタデータ） (2021-07-09T23:57:51Z) - CHS-Net: A Deep learning approach for hierarchical segmentation of
COVID-19 infected CT images [0.6091702876917281]
新型重症急性呼吸器症候群(SARS-CoV-2)のパンデミックが世界中で広がっています。
CT(Computerd Tomography)、X線などの医療画像は、臓器の構造に関する優れた詳細を提示することにより、患者の診断に重要な役割を果たします。
ディープラーニング技術は、新型コロナウイルスなどの疾患やウイルスの迅速な診断を支援するために、そのようなスキャンを分析する強みを示しています。
論文 参考訳（メタデータ） (2020-12-13T15:02:05Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳（メタデータ） (2020-10-19T13:56:22Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。