論文の概要: Camera Adaptation for Fundus-Image-Based CVD Risk Estimation

• arxiv url: http://arxiv.org/abs/2206.09202v1
• Date: Sat, 18 Jun 2022 13:28:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-26 04:51:55.941405
• Title: Camera Adaptation for Fundus-Image-Based CVD Risk Estimation
• Title（参考訳）: ファンダス画像に基づくCVDリスク推定のためのカメラ適応
• Authors: Zhihong Lin, Danli Shi, Donghao Zhang, Xianwen Shang, Mingguang He, Zongyuan Ge
• Abstract要約: ディープ・ラーニング(DL)とポータブル・ファンド・カメラを組み合わせることで様々なシナリオでCVDのリスクを見積もることができる。 最優先課題の1つは、研究用データベースと生産環境におけるサンプルの違いである。 モデルロバスト性を改善するために, 横方向特徴アライメント事前学習方式と自己注意型カメラ適応モジュールを提案する。
• 参考スコア（独自算出の注目度）: 20.240895185459618
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent studies have validated the association between cardiovascular disease (CVD) risk and retinal fundus images. Combining deep learning (DL) and portable fundus cameras will enable CVD risk estimation in various scenarios and improve healthcare democratization. However, there are still significant issues to be solved. One of the top priority issues is the different camera differences between the databases for research material and the samples in the production environment. Most high-quality retinography databases ready for research are collected from high-end fundus cameras, and there is a significant domain discrepancy between different cameras. To fully explore the domain discrepancy issue, we first collect a Fundus Camera Paired (FCP) dataset containing pair-wise fundus images captured by the high-end Topcon retinal camera and the low-end Mediwork portable fundus camera of the same patients. Then, we propose a cross-laterality feature alignment pre-training scheme and a self-attention camera adaptor module to improve the model robustness. The cross-laterality feature alignment training encourages the model to learn common knowledge from the same patient's left and right fundus images and improve model generalization. Meanwhile, the device adaptation module learns feature transformation from the target domain to the source domain. We conduct comprehensive experiments on both the UK Biobank database and our FCP data. The experimental results show that the CVD risk regression accuracy and the result consistency over two cameras are improved with our proposed method. The code is available here: \url{https://github.com/linzhlalala/CVD-risk-based-on-retinal-fundus-images}
• Abstract（参考訳）: 近年の研究では、心血管疾患(CVD)のリスクと網膜基底像との関連が検証されている。 ディープラーニング(DL)とポータブルファンドカメラを組み合わせることで、さまざまなシナリオにおけるCVDリスク推定が可能になり、医療の民主化が向上する。 しかし、解決すべき重要な問題がまだ残っている。 最優先課題の1つは、研究資料のデータベースと生産環境のサンプルの異なるカメラの違いである。 研究可能な高品質なレチノグラフィーデータベースのほとんどは、ハイエンドな眼底カメラから収集され、異なるカメラ間で大きな領域の相違がある。 ドメインの相違を十分に検討するために,まず,ハイエンドのtopcon retinal カメラと同一患者の低価格 mediwork portable fundus カメラで撮影された対方向の fundus 画像を含む fundus camera paired (fcp) データセットを収集する。 次に,モデルのロバスト性を改善するために,クロス・ラタナリティ特徴アライメント事前学習方式とセルフ・アテンションカメラ適応モジュールを提案する。 横方向の特徴アライメントトレーニングにより、同じ患者の左右の眼底画像から共通知識を学習し、モデルの一般化を改善することができる。 一方、デバイス適応モジュールは、ターゲットドメインからソースドメインへの特徴変換を学習する。 英国バイオバンクデータベースとFCPデータの両方について包括的な実験を行った。 実験の結果,提案手法により,cvdのリスク回帰精度と2台のカメラによる結果整合性が向上した。 コードはここで入手できる。 \url{https://github.com/linzhlalala/CVD-risk-based-on-retinal-fundus-images}

関連論文リスト

• CROCODILE: Causality aids RObustness via COntrastive DIsentangled LEarning [8.975676404678374]
  CROCODILEフレームワークを導入し、因果関係のツールがモデルの堅牢性からドメインシフトを育む方法を示します。 我々はCXRの多ラベル肺疾患分類に750万枚以上の画像を用いて本手法を適用した。
  論文  参考訳（メタデータ） (2024-08-09T09:08:06Z)
• 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)
• RIDE: Self-Supervised Learning of Rotation-Equivariant Keypoint Detection and Invariant Description for Endoscopy [83.4885991036141]
  RIDEは回転同変検出と不変記述のための学習に基づく手法である。 内視鏡画像の大規模なキュレーションを自己指導的に行う。 マッチングと相対的なポーズ推定タスクに対して、最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2023-09-18T08:16:30Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• DRDrV3: Complete Lesion Detection in Fundus Images Using Mask R-CNN, Transfer Learning, and LSTM [2.9360071145551068]
  糖尿病網膜症(DR)による病変の検出・発見に最適な2つのサブモジュールからなる新しい病変検出アーキテクチャを提案する。 また、2つの一般的な評価基準を用いて、平均平均精度(mAP)とIOU(IOU)の交点であるモデルの出力を評価する。 この新たなソリューションにより、専門家は高い信頼性で病変を検出し、高い精度で損傷の重症度を推定できるという仮説を立てる。
  論文  参考訳（メタデータ） (2021-08-18T11:36:37Z)
• Multi-frame Collaboration for Effective Endoscopic Video Polyp Detection via Spatial-Temporal Feature Transformation [28.01363432141765]
  本稿では,これらの問題に対処する多フレーム協調フレームワークである空間時間特徴変換(STFT)を提案する。 例えば、STFTは、カメラ移動時のフレーム間変動を、プロポーザル誘導変形可能な畳み込みによる特徴アライメントで軽減する。 その結果,本手法の有効性と安定性が実証された。
  論文  参考訳（メタデータ） (2021-07-08T05:17:30Z)
• Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification [60.36551512902312]
  unsupervised person re-identification (re-ID) は、ラベルのないデータで識別モデルを学ぶことを目的としている。 一般的な方法としては、クラスタ化によって擬似ラベルを取得し、モデルを最適化するために使用する方法がある。 本稿では,両問題を解決するための統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-08T09:13:06Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Robust Retinal Vessel Segmentation from a Data Augmentation Perspective [14.768009562830004]
  本稿では,チャネルワイドなガンマ補正とチャネルワイドなランダムな血管拡張という2つの新しいデータ拡張モジュールを提案する。 これら2つのモジュールを逐次適用することによって生成された追加のトレーニングサンプルによって、モデルはより不変かつ識別的な特徴を学ぶことができる。 実世界のデータセットと合成データセットの両方の実験結果から,従来の畳み込みニューラルネットワークアーキテクチャの性能と堅牢性の向上が実証された。
  論文  参考訳（メタデータ） (2020-07-31T07:37:14Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Target-Independent Domain Adaptation for WBC Classification using Generative Latent Search [20.199195698983715]
  教師なしドメイン適応 (Unsupervised Domain Adaptation, UDA) 技術は、十分な量の不正なターゲットデータの存在を前提としている。 本稿では,対象データを必要としないUDAの手法を提案する。 情報源分布から無限個のデータポイントをサンプリングできることから,そのようなクローンの存在を証明した。
  論文  参考訳（メタデータ） (2020-05-11T20:58:23Z)

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。