論文の概要: Deep Learning for Retinal Degeneration Assessment: A Comprehensive Analysis of the MARIO AMD Progression Challenge
- arxiv url: http://arxiv.org/abs/2506.02976v1
- Date: Tue, 03 Jun 2025 15:14:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-05 01:42:09.432327
- Title: Deep Learning for Retinal Degeneration Assessment: A Comprehensive Analysis of the MARIO AMD Progression Challenge
- Title(参考訳): 網膜変性評価のための深層学習 : MARIO AMD進歩課題の包括的分析
- Authors: Rachid Zeghlache, Ikram Brahim, Pierre-Henri Conze, Mathieu Lamard, Mohammed El Amine Lazouni, Zineb Aziza Elaouaber, Leila Ryma Lazouni, Christopher Nielsen, Ahmad O. Ahsan, Matthias Wilms, Nils D. Forkert, Lovre Antonio Budimir, Ivana Matovinović, Donik Vršnak, Sven Lončarić, Philippe Zhang, Weili Jiang, Yihao Li, Yiding Hao, Markus Frohmann, Patrick Binder, Marcel Huber, Taha Emre, Teresa Finisterra Araújo, Marzieh Oghbaie, Hrvoje Bogunović, Amerens A. Bekkers, Nina M. van Liebergen, Hugo J. Kuijf, Abdul Qayyum, Moona Mazher, Steven A. Niederer, Alberto J. Beltrán-Carrero, Juan J. Gómez-Valverde, Javier Torresano-Rodríquez, Álvaro Caballero-Sastre, María J. Ledesma Carbayo, Yosuke Yamagishi, Yi Ding, Robin Peretzke, Alexandra Ertl, Maximilian Fischer, Jessica Kächele, Sofiane Zehar, Karim Boukli Hacene, Thomas Monfort, Béatrice Cochener, Mostafa El Habib Daho, Anas-Alexis Benyoussef, Gwenolé Quellec,
- Abstract要約: MICCAI 2024で開かれたMARIOチャレンジは、加齢関連黄斑変性(AMD)の自動検出とモニタリングの進歩に焦点を当てている
主要なデータセットはフランスのブレストから提供され、参加チームによってモデルのトレーニングとテストに使用された。
アルジェリアからの補助的なデータセットは、人口と装置のシフトを評価するために後処理に使用された。
- 参考スコア(独自算出の注目度): 26.28807646471968
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The MARIO challenge, held at MICCAI 2024, focused on advancing the automated detection and monitoring of age-related macular degeneration (AMD) through the analysis of optical coherence tomography (OCT) images. Designed to evaluate algorithmic performance in detecting neovascular activity changes within AMD, the challenge incorporated unique multi-modal datasets. The primary dataset, sourced from Brest, France, was used by participating teams to train and test their models. The final ranking was determined based on performance on this dataset. An auxiliary dataset from Algeria was used post-challenge to evaluate population and device shifts from submitted solutions. Two tasks were involved in the MARIO challenge. The first one was the classification of evolution between two consecutive 2D OCT B-scans. The second one was the prediction of future AMD evolution over three months for patients undergoing anti-vascular endothelial growth factor (VEGF) therapy. Thirty-five teams participated, with the top 12 finalists presenting their methods. This paper outlines the challenge's structure, tasks, data characteristics, and winning methodologies, setting a benchmark for AMD monitoring using OCT, infrared imaging, and clinical data (such as the number of visits, age, gender, etc.). The results of this challenge indicate that artificial intelligence (AI) performs as well as a physician in measuring AMD progression (Task 1) but is not yet able of predicting future evolution (Task 2).
- Abstract(参考訳): MICCAI 2024で開かれたMARIOチャレンジは、光コヒーレンストモグラフィー(OCT)画像の解析を通じて、加齢関連黄斑変性(AMD)の自動検出とモニタリングの進歩に焦点を当てた。
AMD内の新生血管活動変化を検出するアルゴリズムの性能を評価するために設計されたこの課題には、ユニークなマルチモーダルデータセットが組み込まれている。
主要なデータセットはフランスのブレストから提供され、参加チームによってモデルのトレーニングとテストに使用された。
最終的なランキングは、このデータセットのパフォーマンスに基づいて決定された。
アルジェリアからの補助的なデータセットは、提出されたソリューションからの人口と装置のシフトを評価するために、後処理に使用された。
MARIOチャレンジには2つのタスクが関わった。
1つ目は、2つの連続した2D OCT Bスキャン間の進化の分類である。
第2に,抗血管内皮増殖因子(VEGF)療法を施行した3カ月後のAMDの進展を予測した。
30チームが参加し、トップ12のファイナリストがメソッドを提示した。
本稿では, OCT, 赤外線画像, 臨床データ(訪問数, 年齢, 性別など)を用いたAMDモニタリングの基準の設定, 課題の構造, 課題, データ特性, 入賞方法について概説する。
この課題の結果、人工知能(AI)は、AMDの進行を計測する医師(Task 1)と同等に機能するが、将来の進化を予測できない(Task2)。
関連論文リスト
- Automatic detection and prediction of nAMD activity change in retinal OCT using Siamese networks and Wasserstein Distance for ordinality [0.7832670743787916]
加齢に伴う黄斑変性(nAMD)は,高齢者の視力低下の原因である。
近年のディープラーニングの進歩は、光学コヒーレンストモグラフィー(OCT)網膜ボリュームからAMDの変化を予測するための有望なソリューションを提供する。
論文 参考訳(メタデータ) (2025-01-24T08:35:22Z) - SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳(メタデータ) (2024-11-14T17:06:00Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - 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) - SurgT challenge: Benchmark of Soft-Tissue Trackers for Robotic Surgery [10.895748170187638]
本稿では,MICCAI 2022と共に編成されたSurgT: Surgery Trackingについて紹介する。
参加者は軟組織の動きを追跡するアルゴリズムを開発するタスクを割り当てられた。
課題の最後に、開発したメソッドは以前に隠されたテストサブセットに基づいて評価された。
論文 参考訳(メタデータ) (2023-02-06T18:57:30Z) - The state-of-the-art 3D anisotropic intracranial hemorrhage segmentation
on non-contrast head CT: The INSTANCE challenge [19.72232714668029]
INSTANCE 2022は、2022年の医用画像コンピューティングとコンピュータ支援介入に関する国際会議(MICCAI)と共同で開催された大きな課題である。
以上の課題を解決し,脳内出血セグメンテーションと異方性データ処理の開発を促進することを目的としている。
勝者法は平均DSC0.6925を達成し,提案法よりも有意な成長を示した。
論文 参考訳(メタデータ) (2023-01-09T11:48:05Z) - Recovering 3D Human Mesh from Monocular Images: A Survey [49.00136388529404]
単眼画像から人間のポーズと形状を推定することは、コンピュータビジョンにおける長年の問題である。
本調査は, 単分子型3次元メッシュ回収の課題に焦点を当てた。
論文 参考訳(メタデータ) (2022-03-03T18:56:08Z) - ADAM Challenge: Detecting Age-related Macular Degeneration from Fundus
Images [44.212866865895485]
我々は、I SBI 2020カンファレンスの衛星イベントとして、初めて老化関連黄斑変性症(ADAM)の自動検出課題を設定した。
ADAMチャレンジは、基礎画像からAMDを検出する主要なトピックをカバーする4つのタスクから構成される。
本稿では,課題,データセット,評価手法を紹介するとともに,各タスクに参加するチームの結果を要約し,分析する。
論文 参考訳(メタデータ) (2022-02-16T10:49:49Z)
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。