論文の概要: Introducing Feature Attention Module on Convolutional Neural Network for
Diabetic Retinopathy Detection
- arxiv url: http://arxiv.org/abs/2308.02985v1
- Date: Sun, 6 Aug 2023 01:52:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 17:31:26.499674
- Title: Introducing Feature Attention Module on Convolutional Neural Network for
Diabetic Retinopathy Detection
- Title（参考訳）: 糖尿病網膜症検出のための畳み込みニューラルネットワークの特徴注意モジュールの導入
- Authors: Susmita Ghosh and Abhiroop Chatterjee
- Abstract要約: 本稿では、より正確なDR検出のために、特徴注意モジュールと事前訓練されたVGG19畳み込みニューラルネットワーク(CNN)を統合する新しい手法を提案する。
提案モジュールは, CNNの識別能力を高めるために, 各種の眼底画像の相補的情報を活用することを目的としている。
- 参考スコア（独自算出の注目度）: 0.7614628596146599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diabetic retinopathy (DR) is a leading cause of blindness among diabetic
patients. Deep learning models have shown promising results in automating the
detection of DR. In the present work, we propose a new methodology that
integrates a feature attention module with a pretrained VGG19 convolutional
neural network (CNN) for more accurate DR detection. Here, the pretrained net
is fine-tuned with the proposed feature attention block. The proposed module
aims to leverage the complementary information from various regions of fundus
images to enhance the discriminative power of the CNN. The said feature
attention module incorporates an attention mechanism which selectively
highlights salient features from images and fuses them with the original input.
The simultaneous learning of attention weights for the features and thereupon
the combination of attention-modulated features within the feature attention
block facilitates the network's ability to focus on relevant information while
reducing the impact of noisy or irrelevant features. Performance of the
proposed method has been evaluated on a widely used dataset for diabetic
retinopathy classification e.g., the APTOS (Asia Pacific Tele-Ophthalmology
Society) DR Dataset. Results are compared with/without attention module, as
well as with other state-of-the-art approaches. Results confirm that the
introduction of the fusion module (fusing of feature attention module with CNN)
improves the accuracy of DR detection achieving an accuracy of 95.70%.
- Abstract（参考訳）: 糖尿病網膜症(DR)は糖尿病患者の視覚障害の主要な原因である。
深層学習モデルでは,DRの自動検出において有望な結果が得られている。本研究では,特徴注意モジュールと事前学習されたVGG19畳み込みニューラルネットワーク(CNN)を統合し,より正確なDR検出を行う手法を提案する。
ここで、予め訓練されたネットは、提案する特徴注目ブロックで微調整される。
提案モジュールは, CNNの識別能力を高めるために, 各種の眼底画像の相補的情報を活用することを目的としている。
上記の特徴注意モジュールには、画像から顕著な特徴を選択的に強調表示し、元の入力と融合するアテンション機構が組み込まれている。
特徴に対する注意重みの同時学習と、特徴注意ブロック内の注意調整された特徴の組み合わせにより、ネットワークが関連する情報に集中でき、ノイズや無関係な特徴の影響を低減できる。
提案手法の性能は,APTOS (Asia Pacific Tele-Ophthalmology Society) DRデータセットなどの糖尿病網膜症分類用データセットで評価されている。
結果は、注目モジュールや、他の最先端のアプローチと比較される。
その結果、融合モジュールの導入(CNNによる特徴注意モジュールの使用)により、95.70%の精度でDR検出の精度が向上することが確認された。
関連論文リスト
- KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。
我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。
提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文 参考訳（メタデータ） (2024-10-28T16:00:42Z) - Lesion-aware network for diabetic retinopathy diagnosis [28.228110579446227]
CNNをベースとした糖尿病網膜症(DR)診断ネットワークを提案する。
提案するLANetは,DR関連情報利用のためのCNNデコーダにLAMとFPMを埋め込んで構成する。
本手法は, DR検診において 0.967 の曲線下領域で本手法より優れており, 全体の平均精度を3つのデータセットで7.6%, 2.1%, 1.2%向上させる。
論文 参考訳（メタデータ） (2024-08-14T03:06:04Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Detection and Classification of Diabetic Retinopathy using Deep Learning
Algorithms for Segmentation to Facilitate Referral Recommendation for Test
and Treatment Prediction [0.0]
本研究は糖尿病網膜症(DR)の臨床的課題について考察する。
提案手法は、畳み込みニューラルネットワーク(CNN)を用いたトランスファーラーニングを利用して、単一の基礎写真を用いた自動DR検出を行う。
Jaccard、F1、リコール、精度、精度の高評価スコアは、網膜病理評価における診断能力を高めるモデルの可能性を示している。
論文 参考訳（メタデータ） (2024-01-05T11:19:24Z) - Multi-stages attention Breast cancer classification based on nonlinear
spiking neural P neurons with autapses [10.16176106140093]
ディープネットワークにおけるダウンサンプリングは、情報の損失につながる可能性がある。
本稿では,アプタプを用いたNSNPニューロンに基づく多段階アテンションアーキテクチャを提案する。
全ての倍率ケースにおいて96.32%の分類精度を達成し、最先端の手法より優れている。
論文 参考訳（メタデータ） (2023-12-20T06:52:38Z) - Improving Classification of Retinal Fundus Image Using Flow Dynamics
Optimized Deep Learning Methods [0.0]
糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。
経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
論文 参考訳（メタデータ） (2023-04-29T16:11:34Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-03-25T19:05:06Z) - An Attention Module for Convolutional Neural Networks [5.333582981327498]
本稿では,AW-畳み込みを開発することで,畳み込みニューラルネットワークのためのアテンションモジュールを提案する。
画像分類とオブジェクト検出タスクのための複数のデータセットの実験により,提案した注目モジュールの有効性が示された。
論文 参考訳（メタデータ） (2021-08-18T15:36:18Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Multi-Task Neural Networks with Spatial Activation for Retinal Vessel
Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。
提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文 参考訳（メタデータ） (2020-07-18T05:46:47Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-05-15T23:57:36Z)
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。