Fugu-MT 論文翻訳(概要): Mapping the ocular surface from monocular videos with an application to dry eye disease grading

論文の概要: Mapping the ocular surface from monocular videos with an application to dry eye disease grading

arxiv url: http://arxiv.org/abs/2209.00886v1
Date: Fri, 2 Sep 2022 08:54:02 GMT
ステータス: 処理完了
システム内更新日: 2022-09-05 12:04:02.429842
Title: Mapping the ocular surface from monocular videos with an application to dry eye disease grading
Title（参考訳）: 単眼ビデオからの眼表面のマッピングとドライアイ病評価への応用
Authors: Ikram Brahim, Mathieu Lamard, Anas-Alexis Benyoussef, Pierre-Henri Conze, B\'eatrice Cochener, Divi Cornec, Gwenol\'e Quellec
Abstract要約: ドライアイ病(Dedy Eye Disease, DED)は眼科医の相談の主要な原因の一つである。本研究では,1)検査中に取得した映像記録を用いて3次元眼球面の追跡を行い,2)登録フレームを用いて重症度を判定する。
参考スコア（独自算出の注目度）: 0.4354149280237387
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With a prevalence of 5 to 50%, Dry Eye Disease (DED) is one of the leading reasons for ophthalmologist consultations. The diagnosis and quantification of DED usually rely on ocular surface analysis through slit-lamp examinations. However, evaluations are subjective and non-reproducible. To improve the diagnosis, we propose to 1) track the ocular surface in 3-D using video recordings acquired during examinations, and 2) grade the severity using registered frames. Our registration method uses unsupervised image-to-depth learning. These methods learn depth from lights and shadows and estimate pose based on depth maps. However, DED examinations undergo unresolved challenges including a moving light source, transparent ocular tissues, etc. To overcome these and estimate the ego-motion, we implement joint CNN architectures with multiple losses incorporating prior known information, namely the shape of the eye, through semantic segmentation as well as sphere fitting. The achieved tracking errors outperform the state-of-the-art, with a mean Euclidean distance as low as 0.48% of the image width on our test set. This registration improves the DED severity classification by a 0.20 AUC difference. The proposed approach is the first to address DED diagnosis with supervision from monocular videos
Abstract（参考訳）: 5～50%の有病率で、ドライアイ病(ded)は眼科医の診察の主要な理由の1つである。 DEDの診断と定量化は通常、スリットランプ検査による眼表面分析に依存している。しかし、評価は主観的で再現不可能である。診断を改善するために,我々は提案する 1)検査中に取得した映像記録を用いた3次元眼表面の追跡 2) 登録フレームを用いて重症度を格付けする。我々の登録方法は教師なしの深層学習を用いる。これらの手法は、光と影から深度を学習し、深度マップに基づいてポーズを推定する。しかし、ded検査では、移動光源や透明な眼組織など、未解決の課題がある。これらを克服し, ego運動を推定するために, セマンティクスセグメンテーションと球面フィッティングにより, 先行した情報,すなわち眼の形状を含む複数の損失を含む合同cnnアーキテクチャを実装した。達成された追跡誤差は最先端を上回り、平均ユークリッド距離はテストセットにおける画像幅の0.48%である。この登録は、DED重度分類を0.20AUC差で改善する。提案手法は単眼映像からの監視によりded診断に取り組む最初の方法である

関連論文リスト

Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文参考訳（メタデータ） (2023-05-27T03:55:19Z)
Assessing Coarse-to-Fine Deep Learning Models for Optic Disc and Cup Segmentation in Fundus Images [0.0]
粗い深層学習アルゴリズムは、底面画像の鉛直カップ・トゥ・ディスク比(vCDR)を効率的に測定するために用いられる。 5つの公開データベースを用いたOD/OCセグメンテーションのための粗粒度設計の包括的解析を行う。分析の結果,これらのアルゴリズムは必ずしも標準のマルチクラスシングルステージモデルより優れているとは限らないことがわかった。
論文参考訳（メタデータ） (2022-09-28T19:19:16Z)
Geometric Deep Learning to Identify the Critical 3D Structural Features of the Optic Nerve Head for Glaucoma Diagnosis [52.06403518904579]
視神経頭(ONH)は緑内障の発生・進展過程において複雑で深い3次元形態変化を呈する。我々は3D ONH点群から緑内障の診断にPointNetと動的グラフ畳み込みニューラルネットワーク(DGCNN)を用いた。幅広い眼科疾患の診断・予後に臨床応用される可能性も高い。
論文参考訳（メタデータ） (2022-04-14T12:52:10Z)
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)
A deep learning model for classification of diabetic retinopathy in eye fundus images based on retinal lesion detection [0.0]
糖尿病網膜症(英: Diabetic retinopathy, DR)は、糖尿病が網膜に影響を及ぼす結果である。失明の原因は、未診断で治療を受けていない場合である。本稿では眼底画像の自動DR分類モデルを提案する。
論文参考訳（メタデータ） (2021-10-14T22:04:59Z)
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)
Two Eyes Are Better Than One: Exploiting Binocular Correlation for Diabetic Retinopathy Severity Grading [9.25565724620311]
糖尿病網膜症 (DR) は糖尿病患者において最も多い眼疾患の1つである。視覚障害は主にDRの後期に発生し、軽度から重度まで視覚障害の症状は大きく変化する。網膜画像に基づく深層学習法は自動DRグレーディングにおいて顕著な成功を収めた。本研究では,左右両眼の微妙な相関関係を捉えるための2流双眼ネットワークを提案する。
論文参考訳（メタデータ） (2021-08-15T15:40:02Z)
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)
Towards the Localisation of Lesions in Diabetic Retinopathy [2.3204178451683264]
本研究は,4つの最先端ディープラーニングモデルの事前学習重量を用いて,糖尿病網膜症(DR)基底画像の局所化マップを作成し,比較する。 inceptionv3は、テスト分類精度96.07%で最高の性能を達成し、病変を他のモデルよりも良く高速にローカライズする。
論文参考訳（メタデータ） (2020-12-21T15:39:17Z)
A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがあるコンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文参考訳（メタデータ） (2020-08-22T07:48:04Z)

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。