論文の概要: Lightweight Convolutional Neural Networks for Retinal Disease Classification

• arxiv url: http://arxiv.org/abs/2506.03186v1
• Date: Fri, 30 May 2025 12:36:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:13.924187
• Title: Lightweight Convolutional Neural Networks for Retinal Disease Classification
• Title（参考訳）: 網膜疾患分類のための軽量畳み込みニューラルネットワーク
• Authors: Duaa Kareem Qasim, Sabah Abdulazeez Jebur, Lafta Raheem Ali, Abdul Jalil M. Khalaf, Abir Jaafar Hussain,
• Abstract要約: 本稿では,2つの軽量かつ効率的な畳み込みニューラルネットワークアーキテクチャであるMobileNetとNASNetMobileを用いて,正常,DR,MH網膜画像の分類を行った。 実験の結果、MobileNetV2の精度は90.8%、NASNetMobileの精度は89.5%だった。
• 参考スコア（独自算出の注目度）: 0.20971479389679337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retinal diseases such as Diabetic Retinopathy (DR) and Macular Hole (MH) significantly impact vision and affect millions worldwide. Early detection is crucial, as DR, a complication of diabetes, damages retinal blood vessels, potentially leading to blindness, while MH disrupts central vision, affecting tasks like reading and facial recognition. This paper employed two lightweight and efficient Convolution Neural Network architectures, MobileNet and NASNetMobile, for the classification of Normal, DR, and MH retinal images. The models were trained on the RFMiD dataset, consisting of 3,200 fundus images, after undergoing preprocessing steps such as resizing, normalization, and augmentation. To address data scarcity, this study leveraged transfer learning and data augmentation techniques, enhancing model generalization and performance. The experimental results demonstrate that MobileNetV2 achieved the highest accuracy of 90.8%, outperforming NASNetMobile, which achieved 89.5% accuracy. These findings highlight the effectiveness of CNNs in retinal disease classification, providing a foundation for AI-assisted ophthalmic diagnosis and early intervention.
• Abstract（参考訳）: 糖尿病網膜症(DR)や黄斑円孔症(MH)などの網膜疾患は視覚に大きく影響を与え、世界中の数百万人に影響を与えている。 早期発見は糖尿病の合併症であるDRが網膜血管を損傷し、失明につながる可能性があり、MHは中央視覚を妨害し、読み書きや顔認識などのタスクに影響を及ぼす。 本稿では,2つの軽量かつ効率的な畳み込みニューラルネットワークアーキテクチャであるMobileNetとNASNetMobileを用いて,正常,DR,MH網膜画像の分類を行った。 モデルは、リサイズ、正規化、拡張といった前処理ステップを実行した後、3,200基の画像からなるRFMiDデータセットでトレーニングされた。 本研究は,データ不足に対処するため,転送学習とデータ拡張技術を活用し,モデルの一般化と性能を向上させる。 実験の結果、MobileNetV2の精度は90.8%、NASNetMobileの精度は89.5%だった。 これらの知見は、網膜疾患分類におけるCNNの有効性を強調し、AIによる眼科診断と早期介入の基礎となる。

関連論文リスト

• 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)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• InceptionCaps: A Performant Glaucoma Classification Model for Data-scarce Environment [0.0]
  緑内障は不可逆的な眼疾患で 世界第2位の視覚障害の原因です 本稿では,InceptionV3を畳み込みベースとしたカプセルネットワーク(CapsNet)をベースとした新しいディープラーニングモデルであるInceptionCapsを提案する。 InceptionCapsは0.956、特異性0.96、AUC0.9556を達成し、RIM-ONE v2データセット上での最先端のディープラーニングモデルのパフォーマンスを上回った。
  論文  参考訳（メタデータ） (2023-11-24T11:58:11Z)
• Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection [9.826027427965354]
  近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。 乳腺病理像の2値分類のためのCNNモデルについて検討した。 我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
  論文  参考訳（メタデータ） (2022-01-04T03:09:40Z)
• Predictive Analysis of Diabetic Retinopathy with Transfer Learning [0.0]
  本稿では,糖尿病網膜症分類のためのCNNアーキテクチャの性能をトランスファーラーニングの助けを借りて検討する。 その結果,VGG 16モデルを用いた画像ネット重み付きトランスファー学習は,95%の精度で最高の分類性能を示した。
  論文  参考訳（メタデータ） (2020-11-08T18:54:57Z)
• 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)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。