論文の概要: Artifact-Tolerant Clustering-Guided Contrastive Embedding Learning for
Ophthalmic Images
- arxiv url: http://arxiv.org/abs/2209.00773v1
- Date: Fri, 2 Sep 2022 01:25:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:04:28.655252
- Title: Artifact-Tolerant Clustering-Guided Contrastive Embedding Learning for
Ophthalmic Images
- Title（参考訳）: 耐火物クラスタリングによる眼科画像のコントラスト埋め込み学習
- Authors: Min Shi, Anagha Lokhande, Mojtaba S. Fazli, Vishal Sharma, Yu Tian,
Yan Luo, Louis R. Pasquale, Tobias Elze, Michael V. Boland, Nazlee Zebardast,
David S. Friedman, Lucy Q. Shen, Mengyu Wang
- Abstract要約: 眼科画像の表現を学習するための,EyeLearnと呼ばれる人工物耐性の非教師なし学習フレームワークを提案する。
EyeLearnには、アーティファクトのない眼科画像の最良の予測が可能な表現を学ぶためのアーティファクト修正モジュールがある。
EyeLearnを評価するために,緑内障患者の実眼画像データセットを用いて,視覚野の予測と緑内障検出に学習表現を用いた。
- 参考スコア（独自算出の注目度）: 18.186766129476077
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Ophthalmic images and derivatives such as the retinal nerve fiber layer
(RNFL) thickness map are crucial for detecting and monitoring ophthalmic
diseases (e.g., glaucoma). For computer-aided diagnosis of eye diseases, the
key technique is to automatically extract meaningful features from ophthalmic
images that can reveal the biomarkers (e.g., RNFL thinning patterns) linked to
functional vision loss. However, representation learning from ophthalmic images
that links structural retinal damage with human vision loss is non-trivial
mostly due to large anatomical variations between patients. The task becomes
even more challenging in the presence of image artifacts, which are common due
to issues with image acquisition and automated segmentation. In this paper, we
propose an artifact-tolerant unsupervised learning framework termed EyeLearn
for learning representations of ophthalmic images. EyeLearn has an artifact
correction module to learn representations that can best predict artifact-free
ophthalmic images. In addition, EyeLearn adopts a clustering-guided contrastive
learning strategy to explicitly capture the intra- and inter-image affinities.
During training, images are dynamically organized in clusters to form
contrastive samples in which images in the same or different clusters are
encouraged to learn similar or dissimilar representations, respectively. To
evaluate EyeLearn, we use the learned representations for visual field
prediction and glaucoma detection using a real-world ophthalmic image dataset
of glaucoma patients. Extensive experiments and comparisons with
state-of-the-art methods verified the effectiveness of EyeLearn for learning
optimal feature representations from ophthalmic images.
- Abstract（参考訳）: 網膜神経線維層(RNFL)の厚みマップのような眼科画像や誘導体は眼科疾患(例えば緑内障)の検出および監視に不可欠である。
眼疾患のコンピュータ診断のための重要な手法は、機能的視力喪失に結びついたバイオマーカー(例えばrnfl薄型化パターン)を明らかにする眼科画像から有意義な特徴を自動的に抽出することである。
しかし, 網膜損傷と人間の視力喪失を関連づけた眼科画像からの表現学習は, 主に患者間の解剖学的変化が大きいため, 容易ではない。
この課題は、画像取得と自動セグメンテーションの問題のために一般的である画像アーティファクトの存在においてさらに困難になる。
本稿では,眼科画像の表現を学習するためにeyelearnと呼ばれる人工的寛容な教師なし学習フレームワークを提案する。
EyeLearnには、アーティファクトのない眼科画像の最良の予測が可能な表現を学ぶためのアーティファクト修正モジュールがある。
さらに、EyeLearnはクラスタリング誘導型コントラスト学習戦略を採用し、画像内および画像間親和性を明示的にキャプチャする。
トレーニング中、画像はクラスタに動的に整理され、同じまたは異なるクラスタ内の画像がそれぞれ類似または異種表現を学習するよう奨励されるコントラスト的なサンプルを形成する。
EyeLearnを評価するために,緑内障患者の実眼画像データセットを用いて,視覚野の予測と緑内障検出に学習表現を用いた。
眼科画像から最適な特徴表現を学習するための眼内レンズの有効性を検証し,最新の手法との比較を行った。
関連論文リスト
- Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - Disentangling representations of retinal images with generative models [12.547633373232026]
患者属性をカメラ効果から切り離す網膜基底画像の新しい集団モデルを提案する。
以上の結果から,網膜基底画像生成における患者属性と技術共同創設者との複雑な関係について,新たな視点が得られた。
論文 参考訳（メタデータ） (2024-02-29T14:11:08Z) - Generating Realistic Counterfactuals for Retinal Fundus and OCT Images
using Diffusion Models [36.81751569090276]
否定的推論は、意思決定の説明や代替案の定量化のために臨床現場でしばしば用いられる。
ここでは,網膜疾患分類タスクを訓練した逆向き頑健な分類器と併用した拡散モデルを用いることで,極めて現実的な対物生成が可能であることを実証する。
ユーザスタディにおいて、ドメインの専門家は、我々の手法を用いて生成された偽物は、以前の方法から生成された偽物よりもはるかに現実的であり、実際の画像と区別できないものさえ見出した。
論文 参考訳（メタデータ） (2023-11-20T09:28:04Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - A domain adaptive deep learning solution for scanpath prediction of
paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。
我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。
提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文 参考訳（メタデータ） (2022-09-22T22:27:08Z) - Self-Supervised Vision Transformers Learn Visual Concepts in
Histopathology [5.164102666113966]
我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。
我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
論文 参考訳（メタデータ） (2022-03-01T16:14:41Z) - 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) - A Semi-Supervised Classification Method of Apicomplexan Parasites and
Host Cell Using Contrastive Learning Strategy [6.677163460963862]
本稿では, 3種類のアピコプレキサン寄生虫と非感染宿主細胞顕微鏡像の半教師付き分類法を提案する。
少数のラベル付きデータと多数のラベルなしデータをトレーニングに使用します。
顕微鏡画像の1%しかラベル付けされていない場合、提案手法は一般化された試験セットで94.90%の精度に達する。
論文 参考訳（メタデータ） (2021-04-14T02:34:50Z) - 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) - Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。
特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。
実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文 参考訳（メタデータ） (2020-08-21T04:53:44Z) - 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。