論文の概要: Adaptive Wavelet Filters as Practical Texture Feature Amplifiers for Parkinson's Disease Screening in OCT
- arxiv url: http://arxiv.org/abs/2503.19292v1
- Date: Tue, 25 Mar 2025 02:47:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:50:55.345172
- Title: Adaptive Wavelet Filters as Practical Texture Feature Amplifiers for Parkinson's Disease Screening in OCT
- Title(参考訳): OCTにおけるパーキンソン病スクリーニングのための実用的テクスチャ特徴増幅器としての適応ウェーブレットフィルタ
- Authors: Xiaoqing Zhang, Hanfeng Shi, Xiangyu Li, Haili Ye, Tao Xu, Na Li, Yan Hu, Fan Lv, Jiangfan Chen, Jiang Liu,
- Abstract要約: パーキンソン病(英: Parkinson's disease、PD)は、世界的な神経変性疾患である。
近年の研究では、網膜層から抽出したテクスチャの特徴がPD診断のバイオマーカーとして採用されていることが示唆されている。
本稿では,実用的なテクスチャ特徴増幅器として機能する適応ウェーブレットフィルタ(AWF)を提案する。
- 参考スコア(独自算出の注目度): 8.900984680843651
- License:
- Abstract: Parkinson's disease (PD) is a prevalent neurodegenerative disorder globally. The eye's retina is an extension of the brain and has great potential in PD screening. Recent studies have suggested that texture features extracted from retinal layers can be adopted as biomarkers for PD diagnosis under optical coherence tomography (OCT) images. Frequency domain learning techniques can enhance the feature representations of deep neural networks (DNNs) by decomposing frequency components involving rich texture features. Additionally, previous works have not exploited texture features for automated PD screening in OCT. Motivated by the above analysis, we propose a novel Adaptive Wavelet Filter (AWF) that serves as the Practical Texture Feature Amplifier to fully leverage the merits of texture features to boost the PD screening performance of DNNs with the aid of frequency domain learning. Specifically, AWF first enhances texture feature representation diversities via channel mixer, then emphasizes informative texture feature representations with the well-designed adaptive wavelet filtering token mixer. By combining the AWFs with the DNN stem, AWFNet is constructed for automated PD screening. Additionally, we introduce a novel Balanced Confidence (BC) Loss by mining the potential of sample-wise predicted probabilities of all classes and class frequency prior, to further boost the PD screening performance and trustworthiness of AWFNet. The extensive experiments manifest the superiority of our AWFNet and BC over state-of-the-art methods in terms of PD screening performance and trustworthiness.
- Abstract(参考訳): パーキンソン病(英: Parkinson's disease、PD)は、世界的な神経変性疾患である。
眼の網膜は脳の拡張であり、PDスクリーニングにおいて大きな可能性を秘めている。
近年の研究では、網膜層から抽出したテクスチャの特徴が、光コヒーレンス断層撮影(OCT)画像下でPD診断のためのバイオマーカーとして採用されていることが示唆されている。
周波数領域学習技術は、豊かなテクスチャ特徴を含む周波数成分を分解することで、ディープニューラルネットワーク(DNN)の特徴表現を強化することができる。
さらに、以前の研究ではOCTのPD自動スクリーニングにテクスチャ機能を利用していない。
本稿では,本手法を応用した適応ウェーブレットフィルタ (Adaptive Wavelet Filter, AWF) を提案する。
具体的には、AWFはまず、チャネルミキサーを介してテクスチャ特徴表現の多様性を高め、その後、よく設計された適応ウェーブレットフィルタリングトークンミキサーを用いて、情報的テクスチャ特徴表現を強調する。
AWFとDNNステムを組み合わせることで、APFNetは自動PDスクリーニングのために構築される。
さらに,AWFNetのPDスクリーニング性能と信頼性をさらに向上させるため,すべてのクラスとクラス周波数のサンプリングワイド予測確率の可能性をマイニングすることで,BC損失を新たに導入する。
PDスクリーニング性能と信頼性の観点から,AWFNetとBCの最先端手法に対する優位性を示す大規模な実験を行った。
関連論文リスト
- FE-UNet: Frequency Domain Enhanced U-Net with Segment Anything Capability for Versatile Image Segmentation [50.9040167152168]
CNNのコントラスト感度関数を実験的に定量化し,人間の視覚システムと比較した。
本稿ではウェーブレット誘導分光ポーリングモジュール(WSPM)を提案する。
人間の視覚系をさらにエミュレートするために、周波数領域拡張受容野ブロック(FE-RFB)を導入する。
本研究では,SAM2 をバックボーンとし,Hiera-Large を事前学習ブロックとして組み込んだ FE-UNet を開発した。
論文 参考訳(メタデータ) (2025-02-06T07:24:34Z) - WaveNet-SF: A Hybrid Network for Retinal Disease Detection Based on Wavelet Transform in the Spatial-Frequency Domain [15.21932120859184]
本稿では,空間領域と周波数領域の学習を統合することで網膜疾患の検出を向上する新しいフレームワークWaveNet-SFを提案する。
このフレームワークはウェーブレット変換を利用して、OCT画像を低周波成分と高周波成分に分解する。
提案手法は,OCT-C8データセットとOCT 2017データセットでそれぞれ97.82%,99.58%の最先端(SOTA)分類精度を実現する。
論文 参考訳(メタデータ) (2025-01-21T03:10:52Z) - Texture Classification Network Integrating Adaptive Wavelet Transform [7.634818631225403]
Graves病は超音波画像における甲状腺の質感の滑らかさを判定して臨床的に診断される一般的な疾患である。
現在、Graves病の自動診断に最も広く用いられているアプローチは、特徴抽出と分類の両方に畳み込みニューラルネットワーク(CNN)を使用している。
本研究では,Lfting Schemeを利用した学習可能なウェーブレットモジュールをCNNに統合し,ResNet18モデルに並列ウェーブレット分岐を組み込んでテクスチャ特徴抽出を強化する。
論文 参考訳(メタデータ) (2024-04-08T08:42:47Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳(メタデータ) (2023-08-24T12:32:46Z) - Adaptive Frequency Filters As Efficient Global Token Mixers [100.27957692579892]
適応周波数フィルタは効率的なグローバルトークンミキサーとして機能することを示す。
我々は、AFFNetと呼ばれる軽量ニューラルネットワークを構築するために、AFFトークンミキサーを主要なニューラルネットワークとして捉えています。
論文 参考訳(メタデータ) (2023-07-26T07:42:28Z) - 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) - SpecGrad: Diffusion Probabilistic Model based Neural Vocoder with
Adaptive Noise Spectral Shaping [51.698273019061645]
SpecGradは拡散雑音に適応し、その時間変化スペクトル包絡が条件付き対数メル分光器に近づく。
時間周波数領域で処理され、計算コストは従来のDDPMベースのニューラルボコーダとほぼ同じである。
論文 参考訳(メタデータ) (2022-03-31T02:08:27Z) - Deep Frequency Filtering for Domain Generalization [55.66498461438285]
Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。
本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。
提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
論文 参考訳(メタデータ) (2022-03-23T05:19:06Z) - Fine Perceptive GANs for Brain MR Image Super-Resolution in Wavelet
Domain [23.23392380531189]
高分解能(HR)磁気共鳴(MR)画像を生成するために,FP-GAN(Fepceptive Generative Adversarial Network)を提案する。
MultiRes_7Tデータセットの実験により、FP-GANsは競合する手法よりも定量的に質的に優れていることが示された。
論文 参考訳(メタデータ) (2020-11-09T02:09:44Z) - 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。