論文の概要: UWF-RI2FA: Generating Multi-frame Ultrawide-field Fluorescein Angiography from Ultrawide-field Retinal Imaging Improves Diabetic Retinopathy Stratification
- arxiv url: http://arxiv.org/abs/2408.10636v2
- Date: Tue, 27 Aug 2024 16:19:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-28 18:28:54.293080
- Title: UWF-RI2FA: Generating Multi-frame Ultrawide-field Fluorescein Angiography from Ultrawide-field Retinal Imaging Improves Diabetic Retinopathy Stratification
- Title（参考訳）: UWF-RI2FA:UWF-RI2FAによる超広視野フルオレセイン血管造影は糖尿病網膜症を改善させる
- Authors: Ruoyu Chen, Kezheng Xu, Kangyan Zheng, Weiyi Zhang, Yan Lu, Danli Shi, Mingguang He,
- Abstract要約: 我々は、生成人工知能(GenAI)を用いた非侵襲的UWF網膜イメージング(UWF-RI)から無色素UWF-FA画像を取得することを目指している。
異なる位相のUWF-FA画像18,321枚を対応するUWF-RI画像に登録し,GAN(Generative Adversarial Network)ベースのトレーニングモデルに入力した。
生成したUWF-FA画像の品質を定量化と人的評価により評価した。
- 参考スコア（独自算出の注目度）: 10.833651195216557
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Ultrawide-field fluorescein angiography (UWF-FA) facilitates diabetic retinopathy (DR) detection by providing a clear visualization of peripheral retinal lesions. However, the intravenous dye injection with potential risks hamper its application. We aim to acquire dye-free UWF-FA images from noninvasive UWF retinal imaging (UWF-RI) using generative artificial intelligence (GenAI) and evaluate its effectiveness in DR screening. A total of 18,321 UWF-FA images of different phases were registered with corresponding UWF-RI images and fed into a generative adversarial networks (GAN)-based model for training. The quality of generated UWF-FA images was evaluated through quantitative metrics and human evaluation. The DeepDRiD dataset was used to externally assess the contribution of generated UWF-FA images to DR classification, using area under the receiver operating characteristic curve (AUROC) as outcome metrics. The generated early, mid, and late phase UWF-FA images achieved high authenticity, with multi-scale similarity scores ranging from 0.70 to 0.91 and qualitative visual scores ranging from 1.64 to 1.98 (1=real UWF-FA quality). In fifty randomly selected images, 56% to 76% of the generated images were difficult to distinguish from real images in the Turing test. Moreover, adding these generated UWF-FA images for DR classification significantly increased the AUROC from 0.869 to 0.904 compared to the baseline model using UWF-RI images (P < .001). The model successfully generates realistic multi-frame UWF-FA images for enhancing DR stratification without intravenous dye injection.
- Abstract（参考訳）: Ultrawide-field fluorescein angiography (UWF-FA) は糖尿病網膜症(DR)の検出を促進する。
しかし、潜在的なリスクを伴う静脈内染料注入は、その適用を妨げている。
我々は、生成人工知能(GenAI)を用いた非侵襲的UWF網膜イメージング(UWF-RI)から無色素UWF-FA画像を取得し、DRスクリーニングの有効性を評価することを目的とする。
異なる位相のUWF-FA画像18,321枚を対応するUWF-RI画像に登録し,GAN(Generative Adversarial Network)ベースのトレーニングモデルに入力した。
生成したUWF-FA画像の品質を定量化と人的評価により評価した。
DeepDRiDデータセットを用いて、生成したUWF-FA画像のDR分類への寄与を外部から評価し、受信機動作特性曲線(AUROC)以下の領域を結果指標とした。
生成したUWF-FA画像は、0.70から0.91までの類似度スコアと1.64から1.98(実際のUWF-FAの品質)の定性的視覚スコアで高い信頼性を得た。
ランダムに選択された50枚の画像では、生成した画像の56%から76%はチューリング試験で実際の画像と区別することが困難であった。
さらに、これらの生成したUWF-FA画像をDR分類に付加すると、UWF-RI画像を用いたベースラインモデルと比較して、AUROCは0.869から0.904に大幅に増加した(P < .001)。
このモデルは、静脈内染料注入なしでDR成層率を高めるために、現実的な多フレームUWF-FA画像を生成することに成功した。
関連論文リスト
- StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。
ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
論文 参考訳（メタデータ） (2024-08-11T01:22:29Z) - RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。
RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文 参考訳（メタデータ） (2024-05-30T14:49:54Z) - UWAFA-GAN: Ultra-Wide-Angle Fluorescein Angiography Transformation via Multi-scale Generation and Registration Enhancement [17.28459176559761]
UWF-FA (UWF fluorescein angiography) は、患者の手や肘に注入して蛍光染料を投与する必要がある。
注射による潜在的な副作用を軽減するため、研究者はクロスモダリティ医療画像生成アルゴリズムの開発を提案した。
本稿では,UWF-SLOからUWF-FAを合成する条件生成対向ネットワーク(UWAFA-GAN)を提案する。
論文 参考訳（メタデータ） (2024-05-01T14:27:43Z) - Source-free Active Domain Adaptation for Diabetic Retinopathy Grading
Based on Ultra-wide-field Fundus Image [4.679304803181914]
領域適応 (DA) は糖尿病性網膜症 (DR) に広く応用されている。
本稿では、DRグレーディング問題自体に取り組むために、新しいソースフリーアクティブドメイン適応(SFADA)を提案する。
提案したSFADAは最先端のDRグレーディング性能を実現し,精度を20.9%向上し,2次加重カッパを18.63%向上させた。
論文 参考訳（メタデータ） (2023-09-19T13:52:06Z) - UWAT-GAN: Fundus Fluorescein Angiography Synthesis via Ultra-wide-angle
Transformation Multi-scale GAN [1.165405976310311]
眼底写真は、眼底疾患の臨床的および鑑別診断に欠かせない検査である。
基礎画像の現在の方法では高解像度の画像が得られず、微小な血管病変領域を捉えることができなかった。
本稿では,UWF-SLOからUWF-FAを合成する条件付き生成対向ネットワーク(UWAT-GAN)を提案する。
論文 参考訳（メタデータ） (2023-07-21T12:23:39Z) - Automated Artifact Detection in Ultra-widefield Fundus Photography of
Patients with Sickle Cell Disease [4.4400645551116815]
本研究の目的は,UWF-FPアーティファクト分類のための自動アルゴリズムを作成することである。
各クラスの精度は83.7%でアイラッシュ・プレゼン、83.7%でローワーアイライド・オブストラクト、98.0%でアッパーアイライド・オブストラクト、77.6%でイメージ・トゥー・ダーク、93.9%でダークアーティファクト、91.8%でイメージ・ノーティファクトであった。
論文 参考訳（メタデータ） (2023-07-11T20:17:47Z) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳（メタデータ） (2023-04-08T10:47:41Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Leveraging Regular Fundus Images for Training UWF Fundus Diagnosis
Models via Adversarial Learning and Pseudo-Labeling [29.009663623719064]
オプトスカメラによる超広視野(UWF)200度の基礎イメージングが徐々に導入されている。
正規の眼底画像は、大量の高品質な注釈付きデータを含んでいる。
ドメインギャップのため、UWFファウンス画像を認識するために、通常のファウンス画像によって訓練されたモデルは、性能が良くない。
本稿では,通常のUWFファウンダスとUWFファウンダスとのギャップを埋めるために,修正サイクル生成対逆ネットワーク(CycleGAN)モデルを提案する。
論文 参考訳（メタデータ） (2020-11-27T16:25:30Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳（メタデータ） (2020-05-12T08:01:16Z)
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。