論文の概要: A Hybrid Deep Learning Classification of Perimetric Glaucoma Using Peripapillary Nerve Fiber Layer Reflectance and Other OCT Parameters from Three Anatomy Regions
- arxiv url: http://arxiv.org/abs/2406.03663v1
- Date: Thu, 6 Jun 2024 00:30:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-07 18:45:29.585296
- Title: A Hybrid Deep Learning Classification of Perimetric Glaucoma Using Peripapillary Nerve Fiber Layer Reflectance and Other OCT Parameters from Three Anatomy Regions
- Title（参考訳）: 腹腔鏡下緑内障の3つの解剖学的領域における末梢神経線維層反射とその他のCTパラメータを用いたハイブリッドディープラーニング分類
- Authors: Ou Tan, David S. Greenfield, Brian A. Francis, Rohit Varma, Joel S. Schuman, David Huang, Dongseok Choi,
- Abstract要約: ハイブリッドディープラーニングモデルは、NFL反射率とその他のOCTパラメータを組み合わせて、緑内障の診断を改善する。
全体的な精度は0.948で0.893の感度と1.000の特異性があり、AROCは0.979であり、ロジスティック回帰モデルよりもかなり優れている。
- 参考スコア（独自算出の注目度）: 0.907773831569615
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Precis: A hybrid deep-learning model combines NFL reflectance and other OCT parameters to improve glaucoma diagnosis. Objective: To investigate if a deep learning model could be used to combine nerve fiber layer (NFL) reflectance and other OCT parameters for glaucoma diagnosis. Patients and Methods: This is a prospective observational study where of 106 normal subjects and 164 perimetric glaucoma (PG) patients. Peripapillary NFL reflectance map, NFL thickness map, optic head analysis of disc, and macular ganglion cell complex thickness were obtained using spectral domain OCT. A hybrid deep learning model combined a fully connected network (FCN) and a convolution neural network (CNN) to develop and combine those OCT maps and parameters to distinguish normal and PG eyes. Two deep learning models were compared based on whether the NFL reflectance map was used as part of the input or not. Results: The hybrid deep learning model with reflectance achieved 0.909 sensitivity at 99% specificity and 0.926 at 95%. The overall accuracy was 0.948 with 0.893 sensitivity and 1.000 specificity, and the AROC was 0.979, which is significantly better than the logistic regression models (p < 0.001). The second best model is the hybrid deep learning model w/o reflectance, which also had significantly higher AROC than logistic regression models (p < 0.001). Logistic regression with reflectance model had slightly higher AROC or sensitivity than the other logistic regression model without reflectance (p = 0.024). Conclusions: Hybrid deep learning model significantly improved the diagnostic accuracy, without or without NFL reflectance. Hybrid deep learning model, combining reflectance/NFL thickness/GCC thickness/ONH parameter, may be a practical model for glaucoma screen purposes.
- Abstract（参考訳）: Precis: NFL反射率とその他のOCTパラメータを組み合わせて,緑内障の診断を改善するハイブリッドディープラーニングモデル。
目的: 深層学習モデルを用いて神経線維層(NFL)反射率と他のCTパラメータを組み合わせて緑内障の診断を行うことができるかを検討する。
患者と方法: 健常者106名, 周辺緑内障164名を対象に検討した。
乳頭周囲のNFL反射率マップ, NFL厚みマップ, 円板の光学ヘッド解析, および眼神経節細胞複合体厚をスペクトル領域OCTを用いて測定した。
ハイブリッドディープラーニングモデルは、完全に接続されたネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)を組み合わせて、これらのOCTマップとパラメータを開発、組み合わせ、正常眼とPG眼を区別する。
入力の一部としてNFL反射率マップが使用されたかどうかに基づいて,2つのディープラーニングモデルを比較した。
結果: 反射率を持つハイブリッドディープラーニングモデルは99%の特異度で0.909感度,95%で0.926感度を得た。
全体的な精度は0.948で0.893の感度と1.000の特異性があり、AROCは0.979であり、ロジスティック回帰モデル(p < 0.001)よりもかなり優れている。
第2の最良のモデルはハイブリッドディープラーニングモデルw/oリフレクタンスであり、これはまたロジスティック回帰モデル(p < 0.001)よりもAROCがかなり高かった。
反射率モデルを用いたロジスティック回帰は、反射率のない他のロジスティック回帰モデルよりもわずかにAROCや感度が高かった(p = 0.024)。
結論:ハイブリッドディープラーニングモデルでは,NFL反射率の有無にかかわらず,診断精度が有意に向上した。
反射率/NFL厚/GCC厚/ONHパラメータを組み合わせたハイブリッドディープラーニングモデルは、緑内障のスクリーン目的の実用的なモデルである。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Deep Learning-Based Correction and Unmixing of Hyperspectral Images for
Brain Tumor Surgery [0.0]
修正とアンミックスのための2つの深層学習モデルを提案する。
1つはプロトポルフィリンIX(PpIX)濃度ラベルで訓練されている。
他方は半教師ありの訓練を受け、まずハイパースペクトルを解き放つ自己教師を学習し、続いて蛍光スペクトルの補正を学習する。
論文 参考訳（メタデータ） (2024-02-06T07:04:35Z) - Comparison of retinal regions-of-interest imaged by OCT for the
classification of intermediate AMD [3.0171643773711208]
269名の中間AMD患者と115名の健常者から15744名のBスキャンを行った。
各サブセットについて、畳み込みニューラルネットワーク(VGG16アーキテクチャに基づいて、ImageNetで事前トレーニングされた)をトレーニングし、テストした。
モデルの性能は, 受信動作特性(AUROC), 精度, 感度, 特異性に基づいて評価した。
論文 参考訳（メタデータ） (2023-05-04T13:48:55Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - Medical Application of Geometric Deep Learning for the Diagnosis of
Glaucoma [60.42955087779866]
シンガポール国立眼科における視神経頭部の3DスキャンをSpectralis OCTで477緑内障と2,296名の非緑内障患者に対して行った。
全巻は、ディープラーニングを用いて自動的にセグメンテーションされ、7つの主要な神経組織と結合組織が識別された。
ポイントネットは、3Dポイントクラウドとして表されるONHのみから頑健な緑内障の診断を行うことができた。
論文 参考訳（メタデータ） (2022-04-14T14:55:25Z) - Deep Learning-Based Detection of the Acute Respiratory Distress
Syndrome: What Are the Models Learning? [5.827840113217155]
急性呼吸窮迫症候群 (ARDS) は低酸素性呼吸不全の重症型であり、院内死亡率は35-46%である。
高死亡率は、即時診断を行う際の課題と関連していると考えられており、その結果、エビデンスベースの治療の実施が遅れる可能性がある。
未バイアス人工呼吸器波形データ(VWD)を利用したディープニューラルネットワーク(DNN)アルゴリズムは、ARDSのスクリーニングを改善するのに役立つかもしれない。
論文 参考訳（メタデータ） (2021-09-25T09:10:10Z) - A novel optical needle probe for deep learning-based tissue elasticity
characterization [59.698811329287174]
光コヒーレンスエラストグラフィー(OCE)プローブは針挿入のために提案されているが、今のところ必要な負荷感知能力は欠如している。
針先端での光コヒーレンストモグラフィ(OCT)イメージングと負荷検出を同時に行う新しいOCEニードルプローブを提案する。
論文 参考訳（メタデータ） (2021-09-20T08:29:29Z) - Acute Lymphoblastic Leukemia Detection from Microscopic Images Using
Weighted Ensemble of Convolutional Neural Networks [4.095759108304108]
本稿では,深層畳み込みニューラルネットワーク(cnns)を用いた顕微鏡細胞画像からの全検出タスクを自動化した。
ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。
提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
論文 参考訳（メタデータ） (2021-05-09T18:58:48Z) - Prediction of progressive lens performance from neural network
simulations [62.997667081978825]
本研究の目的は,畳み込みニューラルネットワーク(CNN)に基づく視覚的視力(VA)予測の枠組みを提案することである。
提案する総合シミュレーションツールは主観的視覚性能の正確なモデルとして機能することが示されている。
論文 参考訳（メタデータ） (2021-03-19T14:51:02Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - SCREENet: A Multi-view Deep Convolutional Neural Network for
Classification of High-resolution Synthetic Mammographic Screening Scans [3.8137985834223502]
本研究では,高分解能合成マンモグラム解析のための多視点深層学習手法の開発と評価を行う。
画像解像度とトレーニングセットサイズが精度に与える影響を評価する。
論文 参考訳（メタデータ） (2020-09-18T00:12:33Z)
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。