論文の概要: SSVT: Self-Supervised Vision Transformer For Eye Disease Diagnosis Based On Fundus Images
- arxiv url: http://arxiv.org/abs/2404.13386v1
- Date: Sat, 20 Apr 2024 14:06:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 19:10:11.652976
- Title: SSVT: Self-Supervised Vision Transformer For Eye Disease Diagnosis Based On Fundus Images
- Title(参考訳): SSVT:眼疾患診断のための眼底画像に基づく自己監督型視覚変換器
- Authors: Jiaqi Wang, Mengtian Kang, Yong Liu, Chi Zhang, Ying Liu, Shiming Li, Yue Qi, Wenjun Xu, Chenyu Tang, Edoardo Occhipinti, Mayinuer Yusufu, Ningli Wang, Weiling Bai, Shuo Gao, Luigi G. Occhipinti,
- Abstract要約: 機械学習に基づく基礎画像診断技術は、医療資源の削減や客観的な評価結果の提供など、世界中の関心を喚起する。
現在の方法は通常、監督された手法に基づいており、バイオメディカルスタッフに重労働負荷をもたらすため、効果的なデータベースの拡大に苦しむ。
そこで我々は,無ラベルの眼底画像を自動的に解析し,北京トングレン病院が収集した6つの公的データセットと2つのデータセットに基づいて,4つの主眼疾患の97.0%の高い評価精度を得られるラベルフリー手法「SSVT」を構築した。
- 参考スコア(独自算出の注目度): 27.266022572100418
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning-based fundus image diagnosis technologies trigger worldwide interest owing to their benefits such as reducing medical resource power and providing objective evaluation results. However, current methods are commonly based on supervised methods, bringing in a heavy workload to biomedical staff and hence suffering in expanding effective databases. To address this issue, in this article, we established a label-free method, name 'SSVT',which can automatically analyze un-labeled fundus images and generate high evaluation accuracy of 97.0% of four main eye diseases based on six public datasets and two datasets collected by Beijing Tongren Hospital. The promising results showcased the effectiveness of the proposed unsupervised learning method, and the strong application potential in biomedical resource shortage regions to improve global eye health.
- Abstract(参考訳): 機械学習に基づく基礎画像診断技術は、医療資源の削減や客観的な評価結果の提供など、世界中の関心を喚起する。
しかし、現在の手法は一般に指導的手法に基づいており、医療従事者に重労働負荷をもたらし、効果的なデータベースの拡大に苦しむ。
そこで本稿では,無ラベルの眼底画像を自動的に解析し,北京トングレン病院が収集した6つの公的データセットと2つのデータセットに基づいて,4つの主眼疾患の97.0%の高い評価精度を得られるラベルフリー手法「SSVT」を構築した。
その結果, バイオメディカル・リソース不足地域における非教師なし学習の有効性と, 世界的視力向上への強力な応用の可能性が示された。
関連論文リスト
- Enhancing Community Vision Screening -- AI Driven Retinal Photography for Early Disease Detection and Patient Trust [17.849524259801765]
コミュニティビジョンスクリーニングは、視覚障害のある個人を識別し、回避可能な盲目を防ぐ上で重要な役割を担っている。
眼疾患関連視力喪失の患者を、さらに治療のために第三次眼科センターにスクリーニングし、参照するための、シンプルで効率的なプロセスの必要性が高まっている。
本稿では, 単純で非侵襲的な網膜写真に基づくECVS(Enhancing Community Vision Screening)ソリューションについて紹介する。
論文 参考訳(メタデータ) (2024-10-27T02:31:19Z) - STLLaVA-Med: Self-Training Large Language and Vision Assistant for Medical Question-Answering [58.79671189792399]
STLLaVA-Medは、医療ビジュアルインストラクションデータを自動生成できるポリシーモデルを訓練するために設計されている。
STLLaVA-Medの有効性とデータ効率を3つの主要な医用視覚質問応答(VQA)ベンチマークで検証した。
論文 参考訳(メタデータ) (2024-06-28T15:01:23Z) - Diagnosis of Multiple Fundus Disorders Amidst a Scarcity of Medical Experts Via Self-supervised Machine Learning [13.174267261284733]
ファンドス病は、世界中の視覚障害と視覚障害の主な原因である。
本研究では,無ラベルのファンドス画像から多種多様なファンドス病を処理できる,汎用的な自己教師型機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-04-20T14:15:25Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳(メタデータ) (2024-02-16T05:16:20Z) - Enhance Eye Disease Detection using Learnable Probabilistic Discrete Latents in Machine Learning Architectures [1.6000489723889526]
糖尿病網膜症や緑内障などの眼疾患は、公衆衛生上の重大な課題となる。
深層学習モデルは、網膜イメージングのような医療画像を分析する強力なツールとして登場した。
課題は、モデル適合性と不確実性の推定であり、これは臨床的な意思決定に不可欠である。
論文 参考訳(メタデータ) (2024-01-21T04:14:54Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳(メタデータ) (2021-12-20T13:29:13Z) - 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) - 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) - Self-supervised Feature Learning via Exploiting Multi-modal Data for
Retinal Disease Diagnosis [28.428216831922228]
本稿では,網膜疾患診断のためのマルチモーダルデータを効果的に活用して,新しい自己教師型特徴学習法を提案する。
本研究の目的は,モダリティ不変特徴と患者類似特徴の両方を学習することである。
本手法を網膜疾患診断のための2つの公開ベンチマークデータセットで評価した。
論文 参考訳(メタデータ) (2020-07-21T19:49:45Z)
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。