論文の概要: GONet: A Generalizable Deep Learning Model for Glaucoma Detection

• arxiv url: http://arxiv.org/abs/2502.19514v1
• Date: Wed, 26 Feb 2025 19:28:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:54:13.766108
• Title: GONet: A Generalizable Deep Learning Model for Glaucoma Detection
• Title（参考訳）: GONet:緑内障検出のための一般化可能なディープラーニングモデル
• Authors: Or Abramovich, Hadas Pizem, Jonathan Fhima, Eran Berkowitz, Ben Gofrit, Meishar Meisel, Meital Baskin, Jan Van Eijgen, Ingeborg Stalmans, Eytan Z. Blumenthal, Joachim A. Behar,
• Abstract要約: 緑内障性視神経症(英: Glaucomatous optic neuropathy, GON)は、早期に発見され治療を受けなければ、視力喪失を招きかねない眼疾患である。 近年,デジタル眼底画像からGON検出を自動検出する深層学習モデルは,将来性を示しているが,一般化性に限界がある場合が多い。 GONetは、7つの独立したデータセットを用いて開発された堅牢なディープラーニングモデルである。
• 参考スコア（独自算出の注目度）: 2.0521974107551535
• License:
• Abstract: Glaucomatous optic neuropathy (GON) is a prevalent ocular disease that can lead to irreversible vision loss if not detected early and treated. The traditional diagnostic approach for GON involves a set of ophthalmic examinations, which are time-consuming and require a visit to an ophthalmologist. Recent deep learning models for automating GON detection from digital fundus images (DFI) have shown promise but often suffer from limited generalizability across different ethnicities, disease groups and examination settings. To address these limitations, we introduce GONet, a robust deep learning model developed using seven independent datasets, including over 119,000 DFIs with gold-standard annotations and from patients of diverse geographic backgrounds. GONet consists of a DINOv2 pre-trained self-supervised vision transformers fine-tuned using a multisource domain strategy. GONet demonstrated high out-of-distribution generalizability, with an AUC of 0.85-0.99 in target domains. GONet performance was similar or superior to state-of-the-art works and was significantly superior to the cup-to-disc ratio, by up to 21.6%. GONet is available at [URL provided on publication]. We also contribute a new dataset consisting of 768 DFI with GON labels as open access.
• Abstract（参考訳）: 緑内障性視神経症(英: Glaucomatous optic neuropathy, GON)は、早期に発見され治療を受けなければ、視力喪失を招きかねない眼疾患である。 GONの従来の診断アプローチには、眼科検査のセットが含まれており、それは時間がかかり、眼科医を訪問する必要がある。 デジタルファンドス画像(DFI)からGON検出を自動化するための最近のディープラーニングモデルは、将来性を示しているが、異なる民族、疾患グループ、検査環境における限定的な一般化性に悩まされていることが多い。 GONetは、7つの独立したデータセットを用いて開発された堅牢なディープラーニングモデルであり、ゴールドスタンダードアノテーション付き119,000以上のDFIと多様な地理的背景を持つ患者から提供される。 GONetは、マルチソースドメイン戦略を用いて微調整されたDINOv2事前訓練された自己教師型ビジョントランスフォーマーで構成されている。 GONet は AUC が 0.85-0.99 のターゲット領域で高いアウト・オブ・ディストリビューションの一般化性を示した。 GONetのパフォーマンスは最先端のものと似ており、カップとディスクの比率よりも21.6%も優れていた。 GONetは[公開されたURL]で利用可能です。 また、GONラベルをオープンアクセスとして、768 DFIからなる新しいデータセットをコントリビュートする。

関連論文リスト

• Explainable AI: Comparative Analysis of Normal and Dilated ResNet Models for Fundus Disease Classification [0.8437187555622164]
  本稿では網膜基底像からの疾患分類のための拡張Residual Network(ResNet)モデルを提案する。 拡張畳み込みフィルタは、ResNetモデルの上位層における通常の畳み込みフィルタを置き換えるために使用される。 拡張されたResNetモデルは、平均F1スコアが0.71、0.70、0.69、0.67、0.70の通常のResNetと比較して有望な結果を示す。
  論文  参考訳（メタデータ） (2024-07-07T17:03:12Z)
• DRStageNet: Deep Learning for Diabetic Retinopathy Staging from Fundus Images [3.4456298317539313]
  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。
  論文  参考訳（メタデータ） (2023-12-22T18:09:20Z)
• GDN: A Stacking Network Used for Skin Cancer Diagnosis [3.3091074760783554]
  本稿では,皮膚癌,基底細胞癌,メラノーマの2種類の画像分類モデルであるGoogLe-Dense Network(GDN)について述べる。 GDNは2つのシーケンシャルなレベルから構成されている。第1のレベルはGoogLeNetとDenseNetによって達成された基本的な分類タスクを実行し、効率を高めるために並列にトレーニングされている。 提案手法を,データセット上のResNet,VGGNet,DenseNet,GoogLeNetの4つのベースラインネットワークと比較し,GoogLeNetとDenseNetがResNetとVGGNetを大きく上回った。
  論文  参考訳（メタデータ） (2023-12-05T02:33:55Z)
• Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning [61.57383634677747]
  グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。 本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。 特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
  論文  参考訳（メタデータ） (2023-09-12T08:06:04Z)
• Ear-Keeper: Real-time Diagnosis of Ear Lesions Utilizing Ultralight-Ultrafast ConvNet and Large-scale Ear Endoscopic Dataset [7.5179664143779075]
  リアルタイム耳疾患診断が可能な超高速・超軽量ネットワークBest-EarNetを提案する。 パラメータ0.77Mしか持たないBest-EarNetの精度は95.23%(内部22,581枚)、92.14%(外部1,652枚)である。 Best-EarNetをベースとしたインテリジェント診断システムであるEar-Keeperが成功し、一般的な電子機器にデプロイされた。
  論文  参考訳（メタデータ） (2023-08-21T10:20:46Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• RADNet: Ensemble Model for Robust Glaucoma Classification in Color Fundus Images [0.0]
  緑内障は最も重篤な眼疾患の1つで、急激な進行と不可逆性失明を特徴とする。 集団の正常な緑内障検診では早期発見が改善するが,病原性チェックアップの望ましい頻度は期待できないことが多い。 本研究では,高度な画像前処理手法と深層分類ネットワークのアンサンブルを併用した画像前処理手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T16:48:00Z)
• Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2 Visual Field Data based on Retinal Structure [109.33721060718392]
  緑内障は 世界でも 不可逆的な盲目の 主要な原因です 7000万人以上が 影響を受けています The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
  論文  参考訳（メタデータ） (2020-10-15T03:09:08Z)
• 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)

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。