論文の概要: Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images
- arxiv url: http://arxiv.org/abs/2311.06009v1
- Date: Fri, 10 Nov 2023 11:49:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-13 15:18:36.668368
- Title: Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images
- Title(参考訳): Polar-Net:OCTA画像におけるアルツハイマー病検出のための臨床フレンドリーモデル
- Authors: Shouyue Liu, Jinkui Hao, Yanwu Xu, Huazhu Fu, Xinyu Guo, Jiang Liu,
Yalin Zheng, Yonghuai Liu, Jiong Zhang and Yitian Zhao
- Abstract要約: オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。
我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。
Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
- 参考スコア(独自算出の注目度): 53.235117594102675
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optical Coherence Tomography Angiography (OCTA) is a promising tool for
detecting Alzheimer's disease (AD) by imaging the retinal microvasculature.
Ophthalmologists commonly use region-based analysis, such as the ETDRS grid, to
study OCTA image biomarkers and understand the correlation with AD. However,
existing studies have used general deep computer vision methods, which present
challenges in providing interpretable results and leveraging clinical prior
knowledge. To address these challenges, we propose a novel deep-learning
framework called Polar-Net. Our approach involves mapping OCTA images from
Cartesian coordinates to polar coordinates, which allows for the use of
approximate sector convolution and enables the implementation of the ETDRS
grid-based regional analysis method commonly used in clinical practice.
Furthermore, Polar-Net incorporates clinical prior information of each sector
region into the training process, which further enhances its performance.
Additionally, our framework adapts to acquire the importance of the
corresponding retinal region, which helps researchers and clinicians understand
the model's decision-making process in detecting AD and assess its conformity
to clinical observations. Through evaluations on private and public datasets,
we have demonstrated that Polar-Net outperforms existing state-of-the-art
methods and provides more valuable pathological evidence for the association
between retinal vascular changes and AD. In addition, we also show that the two
innovative modules introduced in our framework have a significant impact on
improving overall performance.
- Abstract(参考訳): オプティカルコヒーレンス・トモグラフィー(OCTA)は、網膜微小血管のイメージングによりアルツハイマー病(AD)を検出するための有望なツールである。
眼科医は、一般的にETDRSグリッドのような地域ベースの分析を使用して、OCTA画像バイオマーカーを研究し、ADとの相関を理解する。
しかし、既存の研究では一般的な深層コンピュータビジョン法を用いており、解釈可能な結果の提供と臨床先行知識の活用に挑戦している。
これらの課題に対処するため,我々はpolar-netと呼ばれる新しいディープラーニングフレームワークを提案する。
提案手法では,カルト座標から極座標へのOCTA画像のマッピングを行い,近似セクター畳み込みを可能とし,臨床で一般的に用いられるETDRSグリッドを用いた地域分析手法の実装を可能にする。
さらに、Polar-Netは、各セクター地域の臨床事前情報をトレーニングプロセスに組み込んで、そのパフォーマンスをさらに向上させる。
さらに,本フレームワークは網膜領域の重要性の獲得に適応し,ADの検出におけるモデル決定過程の理解を支援し,臨床観察への適合性を評価する。
プライベートおよびパブリックデータセットの評価を通じて、Polar-Netは既存の最先端手法よりも優れており、網膜血管変化とADとの関連性に関するより貴重な病理学的証拠を提供することを示した。
さらに、我々のフレームワークで導入された2つの革新的なモジュールが全体的なパフォーマンス改善に大きな影響を与えていることも示しています。
関連論文リスト
- HistoSegCap: Capsules for Weakly-Supervised Semantic Segmentation of
Histological Tissue Type in Whole Slide Images [19.975420988169454]
デジタル病理学では、物理的組織スライドを高解像度の全体スライド画像(WSI)に変換する。
多数の顕微鏡フィールドを持つ大きな組織学スライドは、ビジュアルサーチの課題を提起する。
コンピュータ支援診断システム(CAD)は、WSIを効率的に検査し、診断に関連のある領域を識別するための視覚的補助を提供する。
論文 参考訳(メタデータ) (2024-02-16T17:44:11Z) - 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) - GlanceSeg: Real-time microaneurysm lesion segmentation with
gaze-map-guided foundation model for early detection of diabetic retinopathy [13.055297330424397]
早期糖尿病網膜症(DR)は微小血管腫による臨床診断に課題を呈する。
セグメント・アズ・モデル(SAM)に基づいて,GlanceSeg というラベルフリー早期DR診断フレームワークを提案する。
GlanceSegは眼科医が眼底の画像をレビューするときに、微小血管腫の病変のリアルタイムセグメンテーションを可能にする。
論文 参考訳(メタデータ) (2023-11-14T10:59:45Z) - A Deep Learning Approach for the Segmentation of Electroencephalography
Data in Eye Tracking Applications [56.458448869572294]
脳波データの時系列セグメンテーションのための新しいフレームワークDETRtimeを紹介する。
エンドツーエンドのディープラーニングベースのフレームワークは、コンピュータビジョンの進歩を前面に立たせています。
我々のモデルは脳波睡眠ステージセグメンテーションのタスクにおいてよく一般化される。
論文 参考訳(メタデータ) (2022-06-17T10:17:24Z) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳(メタデータ) (2021-10-05T19:14:46Z) - 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) - Domain Adaptation via CycleGAN for Retina Segmentation in Optical
Coherence Tomography [0.09490124006642771]
光コヒーレンス・トモグラフィ(OCT)ボリュームの領域適応のためのCycleGAN(Cycle-Consistent Generative Adrative Networks)の実装について検討した。
この研究は、サイモンフレーザー大学のバイオメディカル光学研究グループと機能・解剖学的イメージング・形状解析研究所と共同で行われた。
論文 参考訳(メタデータ) (2021-07-06T02:07:53Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z)
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。