論文の概要: Learn Single-horizon Disease Evolution for Predictive Generation of
Post-therapeutic Neovascular Age-related Macular Degeneration
- arxiv url: http://arxiv.org/abs/2308.06432v1
- Date: Sat, 12 Aug 2023 01:40:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 17:21:55.368026
- Title: Learn Single-horizon Disease Evolution for Predictive Generation of
Post-therapeutic Neovascular Age-related Macular Degeneration
- Title(参考訳): 治療後の血管新生関連黄斑変性予測のための単一水平疾患の進化
- Authors: Yuhan Zhang, Kun Huang, Mingchao Li, Songtao Yuan, Qiang Chen
- Abstract要約: 本稿では,治療後SD-OCT画像の予測生成を行う単一水平病進化ネットワーク(SHENet)を提案する。
SHENetでは、入力されたSD-OCT画像を深い特徴に変換する機能エンコーダを用いて、グラフ進化モジュールが高次元ラテント空間における病気の進化過程を予測する。
また,病気の進化学習の有効性を確保するために,進化強化モジュールを提案する。
- 参考スコア(独自算出の注目度): 15.616010139716701
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most of the existing disease prediction methods in the field of medical image
processing fall into two classes, namely image-to-category predictions and
image-to-parameter predictions. Few works have focused on image-to-image
predictions. Different from multi-horizon predictions in other fields,
ophthalmologists prefer to show more confidence in single-horizon predictions
due to the low tolerance of predictive risk. We propose a single-horizon
disease evolution network (SHENet) to predictively generate post-therapeutic
SD-OCT images by inputting pre-therapeutic SD-OCT images with neovascular
age-related macular degeneration (nAMD). In SHENet, a feature encoder converts
the input SD-OCT images to deep features, then a graph evolution module
predicts the process of disease evolution in high-dimensional latent space and
outputs the predicted deep features, and lastly, feature decoder recovers the
predicted deep features to SD-OCT images. We further propose an evolution
reinforcement module to ensure the effectiveness of disease evolution learning
and obtain realistic SD-OCT images by adversarial training. SHENet is validated
on 383 SD-OCT cubes of 22 nAMD patients based on three well-designed schemes
based on the quantitative and qualitative evaluations. Compared with other
generative methods, the generative SD-OCT images of SHENet have the highest
image quality. Besides, SHENet achieves the best structure protection and
content prediction. Qualitative evaluations also demonstrate that SHENet has a
better visual effect than other methods. SHENet can generate post-therapeutic
SD-OCT images with both high prediction performance and good image quality,
which has great potential to help ophthalmologists forecast the therapeutic
effect of nAMD.
- Abstract(参考訳): 医療画像処理分野における既存の疾患予測手法のほとんどは、画像とカテゴリの予測と画像とパラメータの予測という2つのクラスに分類される。
画像から画像への予測に焦点を当てた作品はほとんどない。
他の分野のマルチホライズン予測とは異なり、眼科医は予測リスクの耐性が低いため、単一ホライズン予測の信頼性を高める傾向にある。
治療前SD-OCT画像に血管新生関連黄斑変性(nAMD)を付加することにより,治療後SD-OCT画像を予測的に生成するシングルホライゾン病進化ネットワーク(SHENet)を提案する。
シェネットでは、特徴エンコーダが入力されたsd-oct画像を深い特徴に変換し、グラフ進化モジュールが高次元潜伏空間における疾患の進化過程を予測し、予測された深い特徴を出力し、最後に特徴デコーダは予測された深い特徴をsd-oct画像に復元する。
さらに,疾患進展学習の有効性を確保するための進化強化モジュールを提案し,逆行訓練により現実的なsd-oct画像を得る。
SHENetは,22nAMD患者の383個のSD-OCT立方体に対して,定量的および定性評価に基づく3つのよく設計されたスキームに基づいて検証を行った。
他の生成方法と比較して、SHENetの生成SD-OCT画像が最も画質が高い。
さらに、SHENetは最高の構造保護とコンテンツ予測を達成する。
定性的評価は、SHENetが他の方法よりも優れた視覚効果を持つことを示す。
SHENetは、高い予測性能と良好な画質で治療後のSD-OCT画像を生成することができ、眼科医がnAMDの治療効果を予測するのに役立つ可能性がある。
関連論文リスト
- Harnessing the power of longitudinal medical imaging for eye disease prognosis using Transformer-based sequence modeling [49.52787013516891]
今回提案した Longitudinal Transformer for Survival Analysis (LTSA, Longitudinal Transformer for Survival Analysis, LTSA) は, 縦断的医用画像から動的疾患の予後を予測できる。
時間的注意分析により、最新の画像は典型的には最も影響力のあるものであるが、以前の画像は追加の予後に価値があることが示唆された。
論文 参考訳(メタデータ) (2024-05-14T17:15:28Z) - Multi-scale Spatio-temporal Transformer-based Imbalanced Longitudinal
Learning for Glaucoma Forecasting from Irregular Time Series Images [45.894671834869975]
緑内障は、進行性視神経線維損傷と不可逆性失明を引き起こす主要な眼疾患の1つである。
逐次画像入力に適した変換器アーキテクチャに基づくマルチスケール時空間変換器ネットワーク(MST-former)を提案する。
本手法は, 軽度認知障害とアルツハイマー病の予測に90.3%の精度で, アルツハイマー病神経画像イニシアチブ(ADNI)MRIデータセットに優れた一般化能力を示す。
論文 参考訳(メタデータ) (2024-02-21T02:16:59Z) - Generative Aging of Brain Images with Diffeomorphic Registration [3.645542167239258]
脳の老化を分析し予測することは、早期予後と認知疾患の正確な診断に不可欠である。
本稿では, 経時的MRI画像から被検体特異的神経変性を捕捉し, 加齢に伴う解剖学的妥当性を維持する手法を提案する。
論文 参考訳(メタデータ) (2022-05-31T08:37:24Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Temporal Context Matters: Enhancing Single Image Prediction with Disease
Progression Representations [8.396615243014768]
本稿では,時間経過情報を活用した深層学習手法を提案する。
本手法では, 自己注意に基づく時間的畳み込みネットワーク(TCN)を用いて, 疾患の軌跡を最も反映した表現を学習する。
ビジョン変換器は、単点画像から特徴を抽出するために、自己教師型で事前訓練される。
論文 参考訳(メタデータ) (2022-03-02T22:11:07Z) - 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) - Post-Radiotherapy PET Image Outcome Prediction by Deep Learning under
Biological Model Guidance: A Feasibility Study of Oropharyngeal Cancer
Application [5.787939851305456]
本稿では,放射線照射後のFDG-PET画像結果予測のための生物学的誘導型深層学習法を開発した。
古典的な反応拡散機構に基づいて、偏微分方程式を用いて新しい生物モデルを提案した。
7層エンコーダをベースとした畳み込みニューラルネットワーク(CNN)が設計され,提案する生物モデルを学ぶために訓練された。
論文 参考訳(メタデータ) (2021-05-22T06:32:58Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳(メタデータ) (2020-10-05T14:18:52Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳(メタデータ) (2020-04-03T14:07:41Z)
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。