論文の概要: Efficient Deep Learning Approaches for Processing Ultra-Widefield Retinal Imaging

• arxiv url: http://arxiv.org/abs/2503.18151v1
• Date: Sun, 23 Mar 2025 17:43:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:37:34.624407
• Title: Efficient Deep Learning Approaches for Processing Ultra-Widefield Retinal Imaging
• Title（参考訳）: 超広視野網膜イメージングのための効率的な深層学習手法
• Authors: Siwon Kim, Wooyung Yun, Jeongbin Oh, Soomok Lee,
• Abstract要約: 深層学習が医療画像の分類における主要な解決策として浮上している。 これらの展開を超広視野(UWF)網膜イメージングデータセットに適用する。
• 参考スコア（独自算出の注目度）: 7.7889972735711925
• License:
• Abstract: Deep learning has emerged as the predominant solution for classifying medical images. We intend to apply these developments to the ultra-widefield (UWF) retinal imaging dataset. Since UWF images can accurately diagnose various retina diseases, it is very important to clas sify them accurately and prevent them with early treatment. However, processing images manually is time-consuming and labor-intensive, and there are two challenges to automating this process. First, high perfor mance usually requires high computational resources. Artificial intelli gence medical technology is better suited for places with limited medical resources, but using high-performance processing units in such environ ments is challenging. Second, the problem of the accuracy of colour fun dus photography (CFP) methods. In general, the UWF method provides more information for retinal diagnosis than the CFP method, but most of the research has been conducted based on the CFP method. Thus, we demonstrate that these problems can be efficiently addressed in low performance units using methods such as strategic data augmentation and model ensembles, which balance performance and computational re sources while utilizing UWF images.
• Abstract（参考訳）: 深層学習が医療画像の分類における主要な解決策として浮上している。 これらの展開を超広視野(UWF)網膜イメージングデータセットに適用する。 UWF画像は、様々な網膜疾患を正確に診断できるため、クレスがそれらを正確に分類し、早期治療で予防することが非常に重要である。 しかし、手動で画像を処理するのは時間と労力のかかる作業であり、このプロセスを自動化するには2つの課題がある。 第一に、高いパーフォルマンスは通常高い計算資源を必要とする。 人工インテリジェンス医療技術は、限られた医療資源を持つ場所では適しているが、そのような環境要素における高性能な処理装置の使用は困難である。 第2に、カラーファンダス撮影法(CFP)の精度の問題である。 一般に、UWF法は、CFP法よりも網膜診断のための情報を提供するが、ほとんどの研究はCFP法に基づいて行われている。 そこで我々は,これらの問題を,UWF画像を利用して,性能と計算資源のバランスをとる戦略的データ拡張やモデルアンサンブルといった手法を用いて,低性能ユニットで効率的に処理できることを実証した。

関連論文リスト

• A Hybrid Technique for Plant Disease Identification and Localisation in Real-time [0.0]
  本稿では, 画像のQuad-Tree分解に基づく植物病の同定とローカライズのための新しい手法を提案する。 提案アルゴリズムは,比較的計算負荷の少ない高解像度画像の精度と高速収束を著しく向上する。
  論文  参考訳（メタデータ） (2024-12-27T15:20:45Z)
• Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
  我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。 トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。 最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
  論文  参考訳（メタデータ） (2024-12-20T17:33:35Z)
• AI Guided Early Screening of Cervical Cancer [0.0]
  このプロジェクトでは、医療画像データセットの事前処理、強化、整理に重点を置いている。 データセットには、正常と異常の2つの分類と、追加のノイズ変動がある。 医療異常検出のための正確かつ効果的な機械学習モデルを作成するため、この徹底的なアプローチにより高品質な入力データが保証される。
  論文  参考訳（メタデータ） (2024-11-19T17:39:03Z)
• Automated Retinal Image Analysis and Medical Report Generation through Deep Learning [3.4447129363520337]
  網膜疾患の増加は、医療システムにとって大きな課題となっている。 網膜画像から医療報告を生成する従来の方法は、手動による解釈に依存している。 この論文は、網膜画像の医療レポート生成を自動化する人工知能の可能性について考察する。
  論文  参考訳（メタデータ） (2024-08-14T07:47:25Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• An Evaluation of Lightweight Deep Learning Techniques in Medical Imaging for High Precision COVID-19 Diagnostics [0.0]
  決定支援システムは、画像の物理的検査に固有の課題を緩和する。 ほとんどのディープラーニングアルゴリズムは、リソース制約のあるデバイスの実装には適していない。 本稿では,MobileNetV2モデルを用いた新型コロナウイルス検出のための軽量深層学習手法の開発と評価について述べる。
  論文  参考訳（メタデータ） (2023-05-30T13:14:03Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• FocusLiteNN: High Efficiency Focus Quality Assessment for Digital Pathology [42.531674974834544]
  本稿では,ハードウェアの過剰な要求を伴わずに,知識駆動方式と同様の高速な計算を行うCNNベースのモデルを提案する。 FocusPathを使って、9つの異なる色の組織スライドを含むトレーニングデータセットを作成します。 CNNの複雑さを減らそうとする試みでは、CNNを最小レベルまで縮小しても、競争力の高いパフォーマンスを実現しているのが驚きです。
  論文  参考訳（メタデータ） (2020-07-11T20:52:01Z)
• Searching for Efficient Architecture for Instrument Segmentation in Robotic Surgery [58.63306322525082]
  ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。 我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-07-08T21:38:29Z)

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。