論文の概要: nnUNet RASPP for Retinal OCT Fluid Detection, Segmentation and
Generalisation over Variations of Data Sources
- arxiv url: http://arxiv.org/abs/2302.13195v1
- Date: Sat, 25 Feb 2023 23:47:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 18:21:05.090541
- Title: nnUNet RASPP for Retinal OCT Fluid Detection, Segmentation and
Generalisation over Variations of Data Sources
- Title（参考訳）: nnUNet RASPP for Retinal OCT Fluid Detection, Segmentation and Generalization over Variations of Data Sources (特集:一般セッション)
- Authors: Nchongmaje Ndipenoch, Alina Miron, Zidong Wang and Yongmin Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 25.095695898777656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retinal Optical Coherence Tomography (OCT), a noninvasive cross-sectional
scan of the eye with qualitative 3D visualization of the retinal anatomy is use
to study the retinal structure and the presence of pathogens. The advent of the
retinal OCT has transformed ophthalmology and it is currently paramount for the
diagnosis, monitoring and treatment of many eye pathogens including Macular
Edema which impairs vision severely or Glaucoma that can cause irreversible
blindness. However the quality of retinal OCT images varies among device
manufacturers. Deep Learning methods have had their success in the medical
image segmentation community but it is still not clear if the level of success
can be generalised across OCT images collected from different device vendors.
In this work we propose two variants of the nnUNet [8]. The standard nnUNet and
an enhanced vision call nnUnet_RASPP (nnU-Net with residual and Atrous Spatial
Pyramid Pooling) both of which are robust and generalise with consistent high
performance across images from multiple device vendors. The algorithm was
validated on the MICCAI 2017 RETOUCH challenge dataset [1] acquired from 3
device vendors across 3 medical centers from patients suffering from 2 retinal
disease types. Experimental results show that our algorithms outperform the
current state-of-the-arts algorithms by a clear margin for segmentation
obtaining a mean Dice Score (DS) of 82.3% for the 3 retinal fluids scoring
84.0%, 80.0%, 83.0% for Intraretinal Fluid (IRF), Subretinal Fluid (SRF), and
Pigment Epithelium Detachments (PED) respectively on the testing dataset. Also
we obtained a perfect Area Under the Curve (AUC) score of 100% for the
detection of the presence of fluid for all 3 fluid classes on the testing
dataset.
- Abstract（参考訳）: 網膜の光学的コヒーレンス・トモグラフィー(OCT)は、網膜解剖の質的3次元可視化による眼の非侵襲的横断スキャンであり、網膜構造と病原体の存在を研究するために用いられる。
網膜octの出現は眼科に変化をもたらしており、眼球浮腫や可逆性盲目を引き起こす緑内障を含む多くの眼病原体の診断、監視、治療に最重要である。
しかし、網膜CT画像の品質はデバイスメーカーによって異なる。
ディープラーニング手法は、医療画像セグメンテーションコミュニティで成功を収めてきたが、成功のレベルが、異なるデバイスベンダーから収集されたOCT画像にまたがって一般化できるかどうかは不明だ。
本研究では nnUNet [8] の2つの変種を提案する。
標準のnnUNetと拡張されたビジョンコールnnUnet_RASPP (nU-Net with residual and Atrous spatial Pyramid Pooling)はいずれも堅牢で、複数のデバイスベンダーの画像間で一貫したハイパフォーマンスで一般化されている。
このアルゴリズムは、3つの医療センターの3つのデバイスベンダーから2つの網膜疾患の患者から取得されたmiccai 2017 retouch challengeデータセット[1]で検証された。
実験結果から,本アルゴリズムは,試験データセット上で,平均ダイススコア(ds)が84.0%,80.0%,83.0%,網膜内流体(irf),サブティル流体(srf),色素上皮剥離(ped)に対して82.3%の明確なマージンで,現在の最先端アルゴリズムを上回った。
また,試験データセット上の3つの流体クラスすべてに対する流体の存在を検出するために,曲線(auc)スコアの下で100%の完全領域を得た。
関連論文リスト
- Spatial-aware Transformer-GRU Framework for Enhanced Glaucoma Diagnosis
from 3D OCT Imaging [1.8416014644193066]
本稿では3次元光コヒーレンス・トモグラフィー(OCT)画像の診断値を利用した新しいディープラーニングフレームワークを提案する。
我々は、リッチスライスな特徴抽出のための網膜データに事前学習された視覚変換器と、スライス間空間依存性をキャプチャするための双方向Gated Recurrent Unitを統合する。
大規模データセットに対する実験結果から,提案手法の最先端手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-03-08T22:25:15Z) - 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) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳（メタデータ） (2022-11-12T05:39:17Z) - 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) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳（メタデータ） (2021-12-18T14:17:49Z) - Multi-Scale Convolutional Neural Network for Automated AMD
Classification using Retinal OCT Images [1.299941371793082]
加齢関連黄斑変性症(AMD)は、先進国、特に60歳以上の人々において、視覚障害の最も一般的な原因である。
近年のディープラーニングの発展は、完全に自動化された診断フレームワークの開発にユニークな機会を与えている。
様々な大きさの受容場を用いて病理を識別できる多スケール畳み込みニューラルネットワーク(CNN)を提案する。
論文 参考訳（メタデータ） (2021-10-06T18:20:58Z) - Transfer Learning Through Weighted Loss Function and Group Normalization
for Vessel Segmentation from Retinal Images [0.0]
血管の血管構造は緑内障や糖尿病網膜症などの網膜疾患の診断に重要である。
深層学習とトランスファー学習を併用した網膜血管のセグメンテーション手法を提案する。
提案手法は,他の手法よりもセグメンテーション精度が高い。
論文 参考訳（メタデータ） (2020-12-16T20:34:48Z) - 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) - Exploiting the Transferability of Deep Learning Systems Across
Multi-modal Retinal Scans for Extracting Retinopathy Lesions [11.791160309522013]
本稿では,網膜病変抽出のためのセマンティックセグメンテーション,シーン解析,ハイブリッドディープラーニングシステムの詳細な評価を行う。
複数の網膜スキャナーの仕様にまたがってこれらのモデルの転送可能性を活用する新しい戦略を提案する。
概して、ResNet-50を介してバックボンドされたハイブリッド網膜分析およびグレーディングネットワーク(RAGNet)は、網膜の病変を抽出するために最初に立ち上がった。
論文 参考訳（メタデータ） (2020-06-04T06:25:25Z) - Automated segmentation of retinal fluid volumes from structural and
angiographic optical coherence tomography using deep learning [2.041049231600541]
我々は,光コヒーレンストモグラフィー(OCT)ボリュームで網膜液を分画するための,網膜流体ネットワーク(ReF-Net)と呼ばれる深部畳み込みニューラルネットワーク(CNN)を提案した。
ReF-Netの訓練と試験には断面CTと血管造影(OCTA)スキャンが用いられた。
ReF-Netは網膜液分画において高い精度(F1 = 0.864 +/-0.084)を示す。
論文 参考訳（メタデータ） (2020-06-03T22:55:47Z) - 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。