論文の概要: CeCNN: Copula-enhanced convolutional neural networks in joint prediction
of refraction error and axial length based on ultra-widefield fundus images
- arxiv url: http://arxiv.org/abs/2311.03967v1
- Date: Tue, 7 Nov 2023 13:06:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 15:36:51.710553
- Title: CeCNN: Copula-enhanced convolutional neural networks in joint prediction
of refraction error and axial length based on ultra-widefield fundus images
- Title(参考訳): cecnn:超広視野眼底画像に基づく屈折誤差と軸長の同時予測におけるコプラエンハンスド畳み込みニューラルネットワーク
- Authors: Chong Zhong, Yang Li, Danjuan Yang, Meiyan Li, Xingyao Zhou, Bo Fu,
Catherine C. Liu, and A.H. Welsh
- Abstract要約: 本稿では,ガウスコプラによる応答間の依存性を組み込んだ,コプラ強化畳み込みニューラルネットワーク(CeCNN)フレームワークを提案する。
バックボーンモデルに依存性情報を追加すると,CeCNNの精度が向上することを示す。
- 参考スコア(独自算出の注目度): 6.787893694522311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ultra-widefield (UWF) fundus images are replacing traditional fundus images
in screening, detection, prediction, and treatment of complications related to
myopia because their much broader visual range is advantageous for highly
myopic eyes. Spherical equivalent (SE) is extensively used as the main myopia
outcome measure, and axial length (AL) has drawn increasing interest as an
important ocular component for assessing myopia. Cutting-edge studies show that
SE and AL are strongly correlated. Using the joint information from SE and AL
is potentially better than using either separately. In the deep learning
community, though there is research on multiple-response tasks with a 3D image
biomarker, dependence among responses is only sporadically taken into
consideration. Inspired by the spirit that information extracted from the data
by statistical methods can improve the prediction accuracy of deep learning
models, we formulate a class of multivariate response regression models with a
higher-order tensor biomarker, for the bivariate tasks of
regression-classification and regression-regression. Specifically, we propose a
copula-enhanced convolutional neural network (CeCNN) framework that
incorporates the dependence between responses through a Gaussian copula (with
parameters estimated from a warm-up CNN) and uses the induced copula-likelihood
loss with the backbone CNNs. We establish the statistical framework and
algorithms for the aforementioned two bivariate tasks. We show that the CeCNN
has better prediction accuracy after adding the dependency information to the
backbone models. The modeling and the proposed CeCNN algorithm are applicable
beyond the UWF scenario and can be effective with other backbones beyond ResNet
and LeNet.
- Abstract(参考訳): UWF (Ultra-widefield) の眼底画像は、より広い視野の視線が近視眼に有利であるため、ミオピアに関連する合併症のスクリーニング、検出、予測、治療において従来の眼底画像を置き換える。
球状同値 (SE) は主近視結果の指標として広く用いられ, 軸長 (AL) は近視評価の重要な眼球成分として注目されている。
切断端の研究はSEとALが強く相関していることを示している。
SE と AL のジョイント情報を使用することは,どちらを別々に使用するよりもよい可能性がある。
深層学習コミュニティでは、3次元画像バイオマーカーを用いたマルチレスポンスタスクの研究があるが、応答間の依存は散発的にのみ考慮されている。
統計的手法によってデータから抽出された情報によって深層学習モデルの予測精度が向上するという精神に触発され,回帰分類と回帰回帰回帰という二変量課題に対して,高次テンソルバイオマーカーを用いた多変量応答回帰モデルのクラスを定式化する。
具体的には,ガウシアンコプラ(ウォームアップcnnから推定されるパラメータを含む)による応答間の依存性を取り入れ,バックボーンcnnによるコプラ類似度損失を誘発するコプラ拡張畳み込みニューラルネットワーク(cecnn)フレームワークを提案する。
上記の2つの二変量タスクの統計的枠組みとアルゴリズムを確立する。
バックボーンモデルに依存性情報を追加すると,CeCNNの精度が向上することを示す。
モデリングと提案されたCeCNNアルゴリズムはUWFのシナリオを超えて適用でき、ResNetやLeNet以外のバックボーンでも有効である。
関連論文リスト
- Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳(メタデータ) (2024-01-01T10:20:01Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳(メタデータ) (2023-12-04T01:32:42Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Sparsifying Bayesian neural networks with latent binary variables and
normalizing flows [10.865434331546126]
潜伏二元系ベイズニューラルネットワーク(LBBNN)の2つの拡張について検討する。
まず、隠れたユニットを直接サンプリングするためにLRT(Local Reparametrization trick)を用いることで、より計算効率の良いアルゴリズムが得られる。
さらに, LBBNNパラメータの変動後分布の正規化フローを用いて, 平均体ガウス分布よりも柔軟な変動後分布を学習する。
論文 参考訳(メタデータ) (2023-05-05T09:40:28Z) - Multi-fidelity Bayesian Neural Networks: Algorithms and Applications [0.0]
本稿では,可変忠実度の雑音データを用いて訓練できるベイズ型ニューラルネットワーク(BNN)を提案する。
関数近似の学習や、偏微分方程式(PDE)に基づく逆問題の解法に応用する。
論文 参考訳(メタデータ) (2020-12-19T02:03:53Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Investigation of REFINED CNN ensemble learning for anti-cancer drug
sensitivity prediction [0.0]
個々の細胞株に対するディープラーニングモデルを用いた抗がん剤感受性予測は、パーソナライズされた医療において重要な課題である。
ReFINED CNN(Convolutional Neural Network)ベースのモデルでは、薬物感受性の予測に有望な結果が示されている。
我々は,このようなマッピングから構築されたアンサンブルに基づいて,最高の1つのREFINED CNNモデル予測を改善することができる予測について検討する。
論文 参考訳(メタデータ) (2020-09-09T02:27:29Z) - An Efficient Confidence Measure-Based Evaluation Metric for Breast
Cancer Screening Using Bayesian Neural Networks [3.834509400202395]
乳がん検診における信頼度測定に基づく評価基準を提案する。
ベースライン変換学習と比較して,信頼度が向上し,画像集合の精度が向上することを示す。
論文 参考訳(メタデータ) (2020-08-12T20:34:14Z) - Measurement error models: from nonparametric methods to deep neural
networks [3.1798318618973362]
本稿では,測定誤差モデルの推定に有効なニューラルネットワーク設計を提案する。
完全に接続されたフィードフォワードニューラルネットワークを用いて回帰関数を$f(x)$に近似する。
我々は、ニューラルネットワークアプローチと古典的ノンパラメトリック手法を比較するために、広範囲にわたる数値的研究を行っている。
論文 参考訳(メタデータ) (2020-07-15T06:05:37Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳(メタデータ) (2020-06-25T12:42:01Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳(メタデータ) (2020-03-10T03:10:41Z)
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。