論文の概要: CauDR: A Causality-inspired Domain Generalization Framework for
Fundus-based Diabetic Retinopathy Grading
- arxiv url: http://arxiv.org/abs/2309.15493v1
- Date: Wed, 27 Sep 2023 08:43:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 14:46:58.024981
- Title: CauDR: A Causality-inspired Domain Generalization Framework for
Fundus-based Diabetic Retinopathy Grading
- Title（参考訳）: caudr : 糖尿病網膜症評価のための因果関係にインスパイアされたドメイン一般化フレームワーク
- Authors: Hao Wei, Peilun Shi, Juzheng Miao, Minqing Zhang, Guitao Bai, Jianing
Qiu, Furui Liu, Wu Yuan
- Abstract要約: コンピュータ支援型DRグレーティングシステムは、眼科医が迅速なスクリーニングと診断を行うのに役立つ。
眼底撮影の最近の進歩は、新しい網膜イメージングカメラの開発に拍車をかけた。
DRグレーディングのためのディープラーニングベースのアルゴリズムのほとんどは、ドメイン間の限定的な一般化を示している。
- 参考スコア（独自算出の注目度）: 11.982719279583002
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diabetic retinopathy (DR) is the most common diabetic complication, which
usually leads to retinal damage, vision loss, and even blindness. A
computer-aided DR grading system has a significant impact on helping
ophthalmologists with rapid screening and diagnosis. Recent advances in fundus
photography have precipitated the development of novel retinal imaging cameras
and their subsequent implementation in clinical practice. However, most deep
learning-based algorithms for DR grading demonstrate limited generalization
across domains. This inferior performance stems from variance in imaging
protocols and devices inducing domain shifts. We posit that declining model
performance between domains arises from learning spurious correlations in the
data. Incorporating do-operations from causality analysis into model
architectures may mitigate this issue and improve generalizability.
Specifically, a novel universal structural causal model (SCM) was proposed to
analyze spurious correlations in fundus imaging. Building on this, a
causality-inspired diabetic retinopathy grading framework named CauDR was
developed to eliminate spurious correlations and achieve more generalizable DR
diagnostics. Furthermore, existing datasets were reorganized into 4DR benchmark
for DG scenario. Results demonstrate the effectiveness and the state-of-the-art
(SOTA) performance of CauDR.
- Abstract（参考訳）: 糖尿病網膜症(DR)は最も一般的な糖尿病合併症であり、通常は網膜損傷、視力喪失、失明に至る。
コンピュータ支援型DRグレーティングシステムは、眼科医が迅速なスクリーニングと診断を行うのに役立つ。
近年の眼底撮影の進歩は、新しい網膜イメージングカメラの開発と、それに続く臨床応用に寄与している。
しかし、深層学習に基づくアルゴリズムの多くは、領域をまたがる限定的な一般化を示している。
この劣った性能は、画像プロトコルや領域シフトを引き起こす装置のばらつきに起因する。
ドメイン間のモデルパフォーマンスの低下は、データのスプリアス相関の学習から生じると仮定する。
因果解析をモデルアーキテクチャに組み込むことで、この問題を緩和し、一般化性を向上させることができる。
具体的には,新しい普遍的構造因果モデル (scm) を提案し,スプリアス相関を解析した。
これに基づいて、因果性インスピレーションを受けた糖尿病網膜症グレーディングフレームワークであるCauDRが開発された。
さらに、既存のデータセットをDGシナリオの4DRベンチマークに再構成した。
その結果,CauDRの有効性とSOTA(State-of-the-art)性能が示された。
関連論文リスト
- Divergent Domains, Convergent Grading: Enhancing Generalization in Diabetic Retinopathy Grading [8.59772105902647]
糖尿病網膜症(DR)は世界の視覚障害の5%を占める。
DRグレーディングにおけるドメイン一般化(DG)を実現するための新しいディープラーニング手法を提案する。
本手法は,経験的リスク最小化ベースラインよりも大幅に改善されたことを示す。
論文 参考訳（メタデータ） (2024-11-04T21:09:24Z) - DRStageNet: Deep Learning for Diabetic Retinopathy Staging from Fundus
Images [3.4456298317539313]
タイムリーな識別は視覚障害を抑制するために重要である。
モデルは、モデルがトレーニングされたソースドメインと、それがデプロイされたターゲットドメインの間の分散シフトのために、一般化に失敗することが多い。
この課題を軽減するために設計されたディープラーニングモデルであるDRStageNetを紹介します。
論文 参考訳（メタデータ） (2023-12-22T18:09:20Z) - Generalizing to Unseen Domains in Diabetic Retinopathy Classification [8.59772105902647]
糖尿病網膜症分類における分布や領域の特定にモデルを一般化する問題について検討した。
本稿では、視覚変換器の自己蒸留を実現するための、シンプルで効果的な領域一般化(DG)手法を提案する。
本稿では,オープンソースのDR分類データセット上での最先端DG手法の性能について報告する。
論文 参考訳（メタデータ） (2023-10-26T09:11:55Z) - Towards Generalizable Diabetic Retinopathy Grading in Unseen Domains [6.147573427718534]
我々は、GDRNet(Generalizable Diabetic Retinopathy Grading Network)という新しい統合フレームワークを提案する。
GDRNetは、Fundus visual-artifact augmentation (FundusAug), dynamic hybrid-supervised loss (DahLoss), domain-class-aware re-balancing (DCR)の3つの重要なコンポーネントで構成されている。
論文 参考訳（メタデータ） (2023-07-10T07:24:44Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical
Coherence Tomography Angiography Images [51.27125547308154]
第25回医用画像コンピューティング・コンピュータ支援介入国際会議(MICCAI 2022)にともなうDRAC糖尿病網膜症解析チャレンジの企画を行った。
この課題は、DR病変の分節化、画像品質評価、DRグレーディングの3つのタスクから構成される。
本稿では,課題の各課題について,トップパフォーマンスのソリューションと結果の要約と分析を行う。
論文 参考訳（メタデータ） (2023-04-05T12:04:55Z) - Detecting Severity of Diabetic Retinopathy from Fundus Images: A Transformer Network-based Review [1.3217592635033124]
糖尿病網膜症(DR)は世界中の重要な問題の一つと考えられている。
本稿では,DRの重大度ステージの自動理解について述べる。
我々は、網膜画像の重要な特徴を捉えるために、トランスフォーマーに基づく学習モデルを採用し、微調整する。
論文 参考訳（メタデータ） (2023-01-03T07:05:38Z) - Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using
Vessel Image Reconstruction [61.58601145792065]
我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。
私たちのアプローチは既存のドメイン戦略よりも優れています。
論文 参考訳（メタデータ） (2021-07-20T09:44:07Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳（メタデータ） (2021-06-25T08:32:45Z) - 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 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。