論文の概要: Integrating Non-Linear Radon Transformation for Diabetic Retinopathy Grading

• arxiv url: http://arxiv.org/abs/2504.15883v1
• Date: Tue, 22 Apr 2025 13:27:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 18:18:09.273518
• Title: Integrating Non-Linear Radon Transformation for Diabetic Retinopathy Grading
• Title（参考訳）: 糖尿病網膜症における非線形ラドン変換の集積化
• Authors: Farida Mohsen, Samir Belhaouari, Zubair Shah,
• Abstract要約: 糖尿病網膜症は深刻な眼合併症であり、患者の視力や全体的な健康に重大な脅威をもたらす。 現在の自動階調法は網膜基底画像に適用された深層学習に大きく依存している。 本研究では,非線形なRadEx変換シングラム画像と従来のファマス画像を統合する多表現ディープラーニングフレームワークであるRadFuseを紹介する。
• 参考スコア（独自算出の注目度）: 0.08192907805418582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diabetic retinopathy is a serious ocular complication that poses a significant threat to patients' vision and overall health. Early detection and accurate grading are essential to prevent vision loss. Current automatic grading methods rely heavily on deep learning applied to retinal fundus images, but the complex, irregular patterns of lesions in these images, which vary in shape and distribution, make it difficult to capture subtle changes. This study introduces RadFuse, a multi-representation deep learning framework that integrates non-linear RadEx-transformed sinogram images with traditional fundus images to enhance diabetic retinopathy detection and grading. Our RadEx transformation, an optimized non-linear extension of the Radon transform, generates sinogram representations to capture complex retinal lesion patterns. By leveraging both spatial and transformed domain information, RadFuse enriches the feature set available to deep learning models, improving the differentiation of severity levels. We conducted extensive experiments on two benchmark datasets, APTOS-2019 and DDR, using three convolutional neural networks (CNNs): ResNeXt-50, MobileNetV2, and VGG19. RadFuse showed significant improvements over fundus-image-only models across all three CNN architectures and outperformed state-of-the-art methods on both datasets. For severity grading across five stages, RadFuse achieved a quadratic weighted kappa of 93.24%, an accuracy of 87.07%, and an F1-score of 87.17%. In binary classification between healthy and diabetic retinopathy cases, the method reached an accuracy of 99.09%, precision of 98.58%, and recall of 99.6%, surpassing previously established models. These results demonstrate RadFuse's capacity to capture complex non-linear features, advancing diabetic retinopathy classification and promoting the integration of advanced mathematical transforms in medical image analysis.
• Abstract（参考訳）: 糖尿病網膜症は深刻な眼合併症であり、患者の視力や全体的な健康に重大な脅威をもたらす。 早期発見と正確なグレーディングは、視力喪失を防ぐために不可欠である。 現在の自動階調法は網膜基底画像に適用される深層学習に大きく依存しているが、これらの画像の複雑な不規則なパターンは形状や分布によって異なり、微妙な変化を捉えることは困難である。 本研究では,非リニアなRadEx変換シノグラム画像と従来の基底画像を統合し,糖尿病網膜症の検出とグレーディングを強化する多表現ディープラーニングフレームワークであるRadFuseを紹介する。 我々のRadEx変換は、Radon変換の最適化された非線形拡張であり、複雑な網膜病変パターンを捉えるために、シングラム表現を生成する。 空間的および変換されたドメイン情報を活用することで、RadFuseはディープラーニングモデルで利用可能な機能セットを強化し、重度レベルの区別を改善する。 我々は、ResNeXt-50、MobileNetV2、VGG19という3つの畳み込みニューラルネットワーク(CNN)を用いて、2つのベンチマークデータセットであるAPTOS-2019とDDRの広範な実験を行った。 RadFuseは3つのCNNアーキテクチャすべてにまたがって、ベースイメージのみのモデルよりも大幅に改善され、両方のデータセットにおける最先端メソッドのパフォーマンスが向上した。 5段階にわたる重度グレードでは、RadFuseは2次重み付きカッパ93.24%、精度87.07%、F1スコア87.17%を達成した。 健康性網膜症と糖尿病性網膜症の二分分類では、99.09%の精度、98.58%の精度、99.6%のリコールに達し、既に確立されていたモデルを上回った。 これらの結果は、RadFuseが複雑な非線形特徴を捉える能力を示し、糖尿病網膜症分類を進展させ、医用画像解析における高度な数学的変換の統合を促進した。

関連論文リスト

• VR-FuseNet: A Fusion of Heterogeneous Fundus Data and Explainable Deep Network for Diabetic Retinopathy Classification [0.0]
  本稿では,VR-FuseNetと呼ばれる新しいハイブリッドディープラーニングモデルを提案することによって,糖尿病網膜症自動検出のための包括的アプローチを提案する。 提案したVR-FuseNetモデルは、最先端の畳み込みニューラルネットワークであるVGG19と、その深い階層的特徴抽出で知られるResNet50V2の強みを組み合わせたものだ。 このモデルは、糖尿病網膜症分類タスクにおけるハイブリッド特徴抽出の有効性を示すすべてのパフォーマンス指標において、個々のアーキテクチャよりも優れている。
  論文  参考訳（メタデータ） (2025-04-30T09:38:47Z)
• Interpretable Retinal Disease Prediction Using Biology-Informed Heterogeneous Graph Representations [40.8160960729546]
  解釈可能性は、医療診断のための機械学習モデルの信頼性を高めるために不可欠である。 本研究では,確立した機械学習モデルの性能を超える手法を提案する。
  論文  参考訳（メタデータ） (2025-02-23T19:27:47Z)
• A Value Mapping Virtual Staining Framework for Large-scale Histological Imaging [36.95712533471744]
  各種条件に適応可能な汎用仮想染色フレームワークを提案する。 そこで本研究では,異なる病態間の仮想色付けの精度を確保するために,値マッピング制約に基づく損失関数を提案する。
  論文  参考訳（メタデータ） (2025-01-07T07:45:21Z)
• Enhancing Diabetic Retinopathy Detection with CNN-Based Models: A Comparative Study of UNET and Stacked UNET Architectures [0.0]
  糖尿病網膜症DRは糖尿病の重篤な合併症である。損傷または異常な血管は視力喪失を引き起こす可能性がある。 糖尿病患者の大量スクリーニングの必要性は、コンピュータ支援によるDRの完全自動診断への関心を生んでいる。 ディープラーニングフレームワーク、特に畳み込みニューラルネットワークCNNは、網膜画像を分析してDRを検出することに非常に興味を持ち、約束している。
  論文  参考訳（メタデータ） (2024-11-02T14:02:45Z)
• Controllable retinal image synthesis using conditional StyleGAN and latent space manipulation for improved diagnosis and grading of diabetic retinopathy [0.0]
  本稿では,高忠実かつ多様なDRファウンダス画像を生成するためのフレームワークを提案する。 生成画像内のDR重大度と視覚的特徴を包括的に制御する。 我々は、条件付きで生成したDR画像をグレードで操作し、データセットの多様性をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-11T17:08:28Z)
• Analysis of the Two-Step Heterogeneous Transfer Learning for Laryngeal Blood Vessel Classification: Issue and Improvement [8.7937485450551]
  本研究は喉頭病変分類のための2段階ヘテロジニアストランスファーラーニング(THTL)のパイオニアである。 中間領域は糖尿病網膜症カラー・ファンドス画像,意味的には非同一であるが血管像である。 本稿では、SWFT(Step-Wise Fine-Tuning)と呼ばれるTHTLの微調整戦略を改良し、ResNetモデルに適用する。
  論文  参考訳（メタデータ） (2024-02-29T09:52:39Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical Coherence Tomography Angiography Images [51.27125547308154]
  第25回医用画像コンピューティング・コンピュータ支援介入国際会議(MICCAI 2022)にともなうDRAC糖尿病網膜症解析チャレンジの企画を行った。 この課題は、DR病変の分節化、画像品質評価、DRグレーディングの3つのタスクから構成される。 本稿では,課題の各課題について,トップパフォーマンスのソリューションと結果の要約と分析を行う。
  論文  参考訳（メタデータ） (2023-04-05T12:04:55Z)
• An Ensemble Method to Automatically Grade Diabetic Retinopathy with Optical Coherence Tomography Angiography Images [4.640835690336653]
  糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。 まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。 最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
  論文  参考訳（メタデータ） (2022-12-12T22:06:47Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability [76.64661091980531]
  糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。 このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
  論文  参考訳（メタデータ） (2020-08-22T07:48:04Z)

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。