Fugu-MT 論文翻訳(概要): Eye Disease Classification Using Deep Learning Techniques

論文の概要: Eye Disease Classification Using Deep Learning Techniques

arxiv url: http://arxiv.org/abs/2307.10501v1
Date: Wed, 19 Jul 2023 23:57:39 GMT
ステータス: 処理完了
システム内更新日: 2023-07-21 15:20:11.364232
Title: Eye Disease Classification Using Deep Learning Techniques
Title（参考訳）: 深層学習技術を用いた眼疾患の分類
Authors: Tareq Babaqi, Manar Jaradat, Ayse Erdem Yildirim, Saif H. Al-Nimer, and Daehan Won
Abstract要約: アイケア提供者は、視力喪失や盲目から患者を守ることができる。 CNNと転写学習は正常眼と糖尿病性網膜症、白内障、緑内障を鑑別するために用いられた。
参考スコア（独自算出の注目度）: 1.4680035572775534
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Eye is the essential sense organ for vision function. Due to the fact that certain eye disorders might result in vision loss, it is essential to diagnose and treat eye diseases early on. By identifying common eye illnesses and performing an eye check, eye care providers can safeguard patients against vision loss or blindness. Convolutional neural networks (CNN) and transfer learning were employed in this study to discriminate between a normal eye and one with diabetic retinopathy, cataract, or glaucoma disease. Using transfer learning for multi-class classification, high accuracy was achieved at 94% while the traditional CNN achieved 84% rate.
Abstract（参考訳）: 目は視覚機能に不可欠な感覚器官である。特定の眼疾患が視力の喪失を引き起こす可能性があるため、早期に眼疾患を診断し治療することが不可欠である。共通の眼疾患を特定し、点眼を行うことで、眼科医は患者を視力の喪失や盲目から保護することができる。本研究では,糖尿病網膜症,白内障,緑内障などの疾患を鑑別するために,畳み込みニューラルネットワーク(CNN)と転写学習を用いた。移動学習を多クラス分類に用いた場合,従来のCNNでは84%の精度で高い精度が得られた。

関連論文リスト

A CNN-LSTM Combination Network for Cataract Detection using Eye Fundus Images [0.0]
50歳以上の人の不可逆性失明の主な原因の1つは白内障治療の遅れである。我々は,低コストな診断システムの構築を目的として,CNN-LSTMに基づくモデルアーキテクチャを開発した。提案されたアーキテクチャは、最先端の97.53%の精度で以前のシステムより優れていた。
論文参考訳（メタデータ） (2022-10-28T12:35:15Z)
A comprehensive survey on computer-aided diagnostic systems in diabetic retinopathy screening [0.0]
糖尿病性メリタス(DM)は、最終的に糖尿病網膜症(DR)を引き起こす重要な微小血管破壊を引き起こす私たちのレビューは、CADシステムで何が達成できるかを理解したい学生から確立した研究者まで、誰でも対象としています。
論文参考訳（メタデータ） (2022-08-03T02:11:42Z)
Medical Application of Geometric Deep Learning for the Diagnosis of Glaucoma [60.42955087779866]
シンガポール国立眼科における視神経頭部の3DスキャンをSpectralis OCTで477緑内障と2,296名の非緑内障患者に対して行った。全巻は、ディープラーニングを用いて自動的にセグメンテーションされ、7つの主要な神経組織と結合組織が識別された。ポイントネットは、3Dポイントクラウドとして表されるONHのみから頑健な緑内障の診断を行うことができた。
論文参考訳（メタデータ） (2022-04-14T14:55:25Z)
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)
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)
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)
Efficient Screening of Diseased Eyes based on Fundus Autofluorescence Images using Support Vector Machine [0.12189422792863448]
さまざまな視力障害は、目の焦点領域の地理的縮縮(GA)と関連している。現在の臨床では、眼科医は、眼底蛍光(FAF)画像に基づいて、このようなGAの存在を手動で検出する。健康眼と病眼をアルゴリズムで識別し,眼科医のみからの入力を限定したスクリーニングステップを提案する。
論文参考訳（メタデータ） (2021-04-17T11:54:34Z)
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)
A Benchmark of Ocular Disease Intelligent Recognition: One Shot for Multi-disease Detection [9.059366200759722]
眼科領域では、早期眼底スクリーニングは眼疾患による盲目を防ぐ経済的かつ効果的な方法である。実際の医療現場に合わせて8つの疾患のデータセットを公開し、5,000人の患者の両眼からの1万の眼底画像を含む。
論文参考訳（メタデータ） (2021-02-16T07:00:49Z)
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。