論文の概要: GS-Net: Global Self-Attention Guided CNN for Multi-Stage Glaucoma Classification
- arxiv url: http://arxiv.org/abs/2409.16082v1
- Date: Tue, 24 Sep 2024 13:30:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-09-26 05:46:35.937921
- Title: GS-Net: Global Self-Attention Guided CNN for Multi-Stage Glaucoma Classification
- Title(参考訳): GS-Net:多段階緑内障分類のためのグローバル自己注意ガイドCNN
- Authors: Dipankar Das, Deepak Ranjan Nayak,
- Abstract要約: 緑内障は、タイムリーに検出されない限り、不可逆的な盲目を引き起こす一般的な眼疾患である。
本稿では,効率的な多段階緑内障分類のためのグローバル自己注意型ネットワークGS-Netを提案する。
- 参考スコア(独自算出の注目度): 3.7942836520893017
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Glaucoma is a common eye disease that leads to irreversible blindness unless timely detected. Hence, glaucoma detection at an early stage is of utmost importance for a better treatment plan and ultimately saving the vision. The recent literature has shown the prominence of CNN-based methods to detect glaucoma from retinal fundus images. However, such methods mainly focus on solving binary classification tasks and have not been thoroughly explored for the detection of different glaucoma stages, which is relatively challenging due to minute lesion size variations and high inter-class similarities. This paper proposes a global self-attention based network called GS-Net for efficient multi-stage glaucoma classification. We introduce a global self-attention module (GSAM) consisting of two parallel attention modules, a channel attention module (CAM) and a spatial attention module (SAM), to learn global feature dependencies across channel and spatial dimensions. The GSAM encourages extracting more discriminative and class-specific features from the fundus images. The experimental results on a publicly available dataset demonstrate that our GS-Net outperforms state-of-the-art methods. Also, the GSAM achieves competitive performance against popular attention modules.
- Abstract(参考訳): 緑内障は、タイムリーに検出されない限り、不可逆的な盲目を引き起こす一般的な眼疾患である。
したがって、早期の緑内障検出は、より良い治療計画と最終的にビジョンを救うために最も重要である。
近年の文献では網膜基底画像から緑内障を検出するCNN法が注目されている。
しかし、これらの手法は主に二分分類課題の解決に重点を置いており、微小な病変の大きさとクラス間の類似性が高いため比較的困難な緑内障のステージの検出については、徹底的に検討されていない。
本稿では,効率的な多段階緑内障分類のためのグローバル自己注意型ネットワークGS-Netを提案する。
チャネルアテンションモジュール (CAM) と空間アテンションモジュール (SAM) の2つの並列アテンションモジュールからなるグローバルな自己アテンションモジュール (GSAM) を導入し, チャネルと空間次元のグローバルな特徴依存性を学習する。
GSAMは、基底画像からより差別的でクラス固有の特徴を抽出することを奨励している。
公開データセットの実験結果は、GS-Netが最先端の手法より優れていることを示している。
また、GSAMは一般的な注目モジュールと競合する性能を達成している。
関連論文リスト
- DMS-Net:Dual-Modal Multi-Scale Siamese Network for Binocular Fundus Image Classification [8.010725085988296]
眼科疾患は世界的な健康上の課題となっているが、従来の診断法では両眼の病理学的相関を考慮できないことが多い。
両眼底画像分類のためのマルチスケール・マルチスケール・シームズ・ネットワークであるDMS-Netを提案する。
筆者らのフレームワークは,重量共有したSiamese ResNet-152バックボーンを利用して,2枚の眼底画像から深い意味的特徴を抽出する。
論文 参考訳(メタデータ) (2025-04-25T03:27:28Z) - Enhancing Fundus Image-based Glaucoma Screening via Dynamic Global-Local Feature Integration [26.715346685730484]
特徴抽出のための最適境界を自律的に決定する自己適応型注意窓を提案する。
また,グローバルな特徴とローカルな特徴を,特徴線形読み出しによって効果的に融合するマルチヘッドアテンション機構を導入する。
緑内障の分類において,本手法が優れた精度とロバスト性を実現することを示す実験結果が得られた。
論文 参考訳(メタデータ) (2025-04-01T05:28:14Z) - Leveraging Vision-Language Embeddings for Zero-Shot Learning in Histopathology Images [7.048241543461529]
ゼロショット組織像分類におけるこれらの課題に対処するため, MR-PHE(Multi-Resolution Prompt-Guided Hybrid Embedding)と呼ばれる新しいフレームワークを提案する。
我々は,グローバルな画像埋め込みと重み付けされたパッチ埋め込みを統合したハイブリッドな埋め込み戦略を導入する。
類似性に基づくパッチ重み付け機構は、クラス埋め込みとの関連性に基づいて、アテンションのような重み付けをパッチに割り当てる。
論文 参考訳(メタデータ) (2025-03-13T12:18:37Z) - Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。
私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。
複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
論文 参考訳(メタデータ) (2025-03-08T04:51:58Z) - Graph-Guided Test-Time Adaptation for Glaucoma Diagnosis using Fundus Photography [36.328434151676525]
緑内障は世界中で不可逆的な盲目の原因となっている。
眼底画像を用いた深層学習は緑内障の早期診断を大幅に改善した。
異なるデバイスや場所(ドメインシフトとして知られる)からのイメージの変化は、実世界の設定で事前トレーニングされたモデルを使用することに挑戦する。
緑内障の診断モデルを未知のテスト環境に一般化するためのグラフ誘導テスト時間適応フレームワークを提案する。
論文 参考訳(メタデータ) (2024-07-05T10:06:55Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - From WSI-level to Patch-level: Structure Prior Guided Binuclear Cell
Fine-grained Detection [8.810499770542553]
バイ核細胞(BC)の検出は、白血病やその他の悪性腫瘍のリスクを予測する上で重要な役割を担っている。
深層学習に基づくBC以前の構造にインスパイアされた2段階検出手法を提案する。
粗い検出ネットワークは、細胞検出のための円形境界ボックスと、核検出のための中心キーポイントに基づくマルチタスク検出フレームワークである。
論文 参考訳(メタデータ) (2022-08-26T12:32:05Z) - Discriminative Kernel Convolution Network for Multi-Label Ophthalmic
Disease Detection on Imbalanced Fundus Image Dataset [13.687617973585983]
緑内障、糖尿病網膜症、白内障などの眼疾患が世界中の視覚障害の主な原因である。
本研究は,識別的カーネル畳み込みネットワーク (DKCNet) を提案する。
また、全く見えない眼底像にも良い効果が認められる。
論文 参考訳(メタデータ) (2022-07-16T12:03:27Z) - GAMMA Challenge:Glaucoma grAding from Multi-Modality imAges [48.98620387924817]
グラウコーマgAding from Multi-Modality imAges (GAMMA) Challenge を作成した。
この課題の主な課題は,2次元眼底画像と3D OCTスキャンボリュームから緑内障を診断することである。
緑内障のカラー写真と3D OCTボリュームを併用した緑内障アノテートデータセットを公表した。
論文 参考訳(メタデータ) (2022-02-14T06:54:15Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳(メタデータ) (2021-10-04T16:06:49Z) - Circumpapillary OCT-Focused Hybrid Learning for Glaucoma Grading Using
Tailored Prototypical Neural Networks [1.1601676598120785]
緑内障は世界の視覚障害の主要な原因の1つである。
生の毛細血管Bスキャンを用いて緑内障を診断する新しい枠組みを初めて提案する。
特に,手動学習と深層学習を組み合わせた新しいOCTベースのハイブリッドネットワークを構築した。
論文 参考訳(メタデータ) (2021-06-25T10:53:01Z) - Multimodal Transfer Learning-based Approaches for Retinal Vascular
Segmentation [2.672151045393935]
網膜微小循環の研究は、高血圧や糖尿病などの多くの眼疾患および全身疾患の分析において重要な問題です。
FCNはイメージセグメンテーションにおける最も成功したアプローチである。
本研究では,網膜血管セグメンテーションに対するマルチモーダルトランスファー学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-12-18T10:38:35Z) - 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) - Dense Attention Fluid Network for Salient Object Detection in Optical
Remote Sensing Images [193.77450545067967]
光リモートセンシング画像(RSI)における有意物体検出のためのエンド・ツー・エンドDense Attention Fluid Network(DAFNet)を提案する。
GCA(Global Context-Aware Attention)モジュールは、長距離の意味的関係を適応的にキャプチャするために提案される。
我々は、2000枚の画像とピクセルワイドなサリエンシアノテーションを含むSODのための新しい、挑戦的な光学RSIデータセットを構築した。
論文 参考訳(メタデータ) (2020-11-26T06:14:10Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳(メタデータ) (2020-04-22T07:30:56Z)
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。