論文の概要: DRStageNet: Deep Learning for Diabetic Retinopathy Staging from Fundus
Images
- arxiv url: http://arxiv.org/abs/2312.14891v1
- Date: Fri, 22 Dec 2023 18:09:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 14:08:50.726803
- Title: DRStageNet: Deep Learning for Diabetic Retinopathy Staging from Fundus
Images
- Title（参考訳）: DRStageNet: 基礎画像からの糖尿病網膜症の深層学習
- Authors: Yevgeniy Men, Jonathan Fhima, Leo Anthony Celi, Lucas Zago Ribeiro,
Luis Filipe Nakayama, Joachim A. Behar
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.4456298317539313
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diabetic retinopathy (DR) is a prevalent complication of diabetes associated
with a significant risk of vision loss. Timely identification is critical to
curb vision impairment. Algorithms for DR staging from digital fundus images
(DFIs) have been recently proposed. However, models often fail to generalize
due to distribution shifts between the source domain on which the model was
trained and the target domain where it is deployed. A common and particularly
challenging shift is often encountered when the source- and target-domain
supports do not fully overlap. In this research, we introduce DRStageNet, a
deep learning model designed to mitigate this challenge. We used seven publicly
available datasets, comprising a total of 93,534 DFIs that cover a variety of
patient demographics, ethnicities, geographic origins and comorbidities. We
fine-tune DINOv2, a pretrained model of self-supervised vision transformer, and
implement a multi-source domain fine-tuning strategy to enhance generalization
performance. We benchmark and demonstrate the superiority of our method to two
state-of-the-art benchmarks, including a recently published foundation model.
We adapted the grad-rollout method to our regression task in order to provide
high-resolution explainability heatmaps. The error analysis showed that 59\% of
the main errors had incorrect reference labels. DRStageNet is accessible at URL
[upon acceptance of the manuscript].
- Abstract（参考訳）: 糖尿病網膜症(英: Diabetic retinopathy, DR)は、糖尿病の合併症である。
視覚障害の予防にはタイムリーな識別が不可欠である。
近年,デジタルファウンダス画像(DFI)からのDRステージングアルゴリズムが提案されている。
しかし、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るターゲットドメインとの間の分散シフトのために、モデルはしばしば一般化できない。
ソースドメインとターゲットドメインが完全にオーバーラップしていない場合、一般的な、特に難しいシフトが発生する。
本研究では,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DRStageNetを紹介する。
我々は, 患者人口, 民族, 地理的起源, コンコービデンスをカバーする合計93,534のDFIを含む7つの公開データセットを使用した。
我々は、自己教師型視覚変換器の事前訓練モデルであるDINOv2を微調整し、一般化性能を高めるためにマルチソース領域の微調整戦略を実装した。
我々は,最近発表された基盤モデルを含む2つの最先端ベンチマークに対して,本手法の優位性をベンチマークし,実証する。
我々は, 分解能の高いヒートマップを提供するために, grad-rollout法を回帰タスクに適用した。
誤差解析の結果,主誤差の59\%が不正な参照ラベルであった。
DRStageNetはURL[原稿の受け入れ]でアクセスできます。
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) - 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) - CauDR: A Causality-inspired Domain Generalization Framework for
Fundus-based Diabetic Retinopathy Grading [11.982719279583002]
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。
論文 参考訳（メタデータ） (2023-09-27T08:43:49Z) - DGM-DR: Domain Generalization with Mutual Information Regularized
Diabetic Retinopathy Classification [40.35834579068518]
トレーニングとテストデータのドメインシフトは、一般的なディープラーニングモデルをトレーニングする上で大きな課題となる。
医用画像領域に事前訓練されたモデルとしてモデル目的関数を再確立するDG法を提案する。
提案手法は,従来の最先端技術よりも平均精度5.25%,標準偏差が低い。
論文 参考訳（メタデータ） (2023-09-18T11:17:13Z) - 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) - Measuring the Robustness of NLP Models to Domain Shifts [50.89876374569385]
ドメインロバストネス(DR)に関する既存の研究は、異なる設定、限られたタスクの多様性、コンテキスト内学習のような最近の能力に関する研究が不足している。
現在の研究は、チャレンジセットに焦点を当て、ソースドロップ(SD: Source Drop)のみに依存している。
我々は、ドメイン内パフォーマンスの劣化を測定するターゲットドロップ(TD)を相補的な視点として使うべきであると論じる。
論文 参考訳（メタデータ） (2023-05-31T20:25:08Z) - Confidence Attention and Generalization Enhanced Distillation for
Continuous Video Domain Adaptation [62.458968086881555]
連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。
CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
論文 参考訳（メタデータ） (2023-03-18T16:40:10Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳（メタデータ） (2022-03-29T17:50:22Z) - 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) - 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) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z)
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。