論文の概要: A Deep Convolutional Neural Network-Based Novel Class Balancing for Imbalance Data Segmentation
- arxiv url: http://arxiv.org/abs/2506.18474v1
- Date: Mon, 23 Jun 2025 10:15:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-24 19:06:36.930235
- Title: A Deep Convolutional Neural Network-Based Novel Class Balancing for Imbalance Data Segmentation
- Title（参考訳）: 不均衡データセグメンテーションのための深部畳み込みニューラルネットワークに基づく新しいクラスバランス
- Authors: Atifa Kalsoom, M. A. Iftikhar, Amjad Ali, Zubair Shah, Shidin Balakrishnan, Hazrat Ali,
- Abstract要約: 本稿では,網膜基底画像における血管のセグメンテーションを実現するために,深層学習と二層クラスバランスに基づく新しいパイプラインであるBLCB-CNNを提案する。
BLCB-CNNスキームは、CNN(Convolutional Neural Network)アーキテクチャと、コンテナクラスと非コンテナクラスのピクセルの分布のバランスをとるための実証的なアプローチを使用している。
提案手法を標準網膜基底画像で評価し,ROC曲線98.23%以下の領域,96.22%の精度,81.57%の感度,97.65%の特異性など,優れた性能測定を行う。
- 参考スコア（独自算出の注目度）: 0.6157382820537719
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retinal fundus images provide valuable insights into the human eye's interior structure and crucial features, such as blood vessels, optic disk, macula, and fovea. However, accurate segmentation of retinal blood vessels can be challenging due to imbalanced data distribution and varying vessel thickness. In this paper, we propose BLCB-CNN, a novel pipeline based on deep learning and bi-level class balancing scheme to achieve vessel segmentation in retinal fundus images. The BLCB-CNN scheme uses a Convolutional Neural Network (CNN) architecture and an empirical approach to balance the distribution of pixels across vessel and non-vessel classes and within thin and thick vessels. Level-I is used for vessel/non-vessel balancing and Level-II is used for thick/thin vessel balancing. Additionally, pre-processing of the input retinal fundus image is performed by Global Contrast Normalization (GCN), Contrast Limited Adaptive Histogram Equalization (CLAHE), and gamma corrections to increase intensity uniformity as well as to enhance the contrast between vessels and background pixels. The resulting balanced dataset is used for classification-based segmentation of the retinal vascular tree. We evaluate the proposed scheme on standard retinal fundus images and achieve superior performance measures, including an area under the ROC curve of 98.23%, Accuracy of 96.22%, Sensitivity of 81.57%, and Specificity of 97.65%. We also demonstrate the method's efficacy through external cross-validation on STARE images, confirming its generalization ability.
- Abstract（参考訳）: 網膜眼底画像は、ヒトの眼の内部構造と血管、視床、黄斑、葉といった重要な特徴についての貴重な洞察を提供する。
しかし、不均衡なデータ分布と血管厚の変化により、網膜血管の正確なセグメンテーションは困難である。
本稿では,網膜基底画像における血管のセグメンテーションを実現するために,深層学習と二層クラスバランスに基づく新しいパイプラインであるBLCB-CNNを提案する。
BLCB-CNN方式では、畳み込みニューラルネットワーク(Convolutional Neural Network, CNN)アーキテクチャと実験的なアプローチを用いて、容器や非容器、細い容器内のピクセルの分布のバランスをとる。
Level-Iは容器/非容器バランスに使われ、Level-IIは厚い/薄い容器バランスに使用される。
さらに、入力網膜基底像の事前処理は、Global Contrast Normalization (GCN)、Contrast Limited Adaptive Histogram Equalization (CLAHE)、ガンマ補正により行われ、強度均一性を高め、血管と背景画素のコントラストを高める。
結果として得られたバランスの取れたデータセットは、網膜血管樹の分類に基づくセグメンテーションに使用される。
提案手法を標準網膜基底画像で評価し,ROC曲線98.23%以下の領域,96.22%の精度,81.57%の感度,97.65%の特異性など,優れた性能測定を行う。
また,STARE画像の外部クロスバリデーションによる手法の有効性を実証し,その一般化能力を確認した。
関連論文リスト
- MAF-Net: Multiple attention-guided fusion network for fundus vascular
image segmentation [1.3295074739915493]
網膜基底画像の血管を正確に検出するマルチアテンション誘導核融合ネットワーク(MAF-Net)を提案する。
従来のUNetベースのモデルは、長距離依存を明示的にモデル化するため、部分的な情報を失う可能性がある。
提案手法は,いくつかの最先端手法と比較して良好な結果が得られることを示す。
論文 参考訳（メタデータ） (2023-05-05T15:22:20Z) - 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) - Parametric Scaling of Preprocessing assisted U-net Architecture for
Improvised Retinal Vessel Segmentation [1.3869502085838448]
本稿では,形態素前処理と拡張U-netアーキテクチャを併用した画像強調手法を提案する。
ROC曲線 (>0.9762) と分類精度 (>95.47%) の領域において、領域内の他のアルゴリズムと比較して顕著な改善が得られた。
論文 参考訳（メタデータ） (2022-03-18T15:26:05Z) - Symmetry-Enhanced Attention Network for Acute Ischemic Infarct
Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。
提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。
提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-10-11T07:13:26Z) - Blood vessel segmentation in en-face OCTA images: a frequency based
method [3.6055028453181013]
本稿では,画像の周波数表現に基づく血管識別手法を提案する。
このアルゴリズムは、Cirrus HD-OCTデバイスによって取得された10ドルの眼から得られるOCTA画像データセットに基づいて評価される。
論文 参考訳（メタデータ） (2021-09-13T16:42:58Z) - Transfer Learning Through Weighted Loss Function and Group Normalization
for Vessel Segmentation from Retinal Images [0.0]
血管の血管構造は緑内障や糖尿病網膜症などの網膜疾患の診断に重要である。
深層学習とトランスファー学習を併用した網膜血管のセグメンテーション手法を提案する。
提案手法は,他の手法よりもセグメンテーション精度が高い。
論文 参考訳（メタデータ） (2020-12-16T20:34:48Z) - Multi-Task Neural Networks with Spatial Activation for Retinal Vessel
Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。
提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文 参考訳（メタデータ） (2020-07-18T05:46:47Z) - ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New
Model [41.444917622855606]
OCT-Aセグメンテーションデータセット(ROSE)は229枚のOCT-A画像からなり、中心線レベルまたは画素レベルで血管アノテーションを付加する。
次に,スプリットをベースとしたSCF-Net(Coarse-to-Fine vessel segmentation Network)を提案する。
SCF-Netでは、スプリットベース粗いセグメンテーション(SCS)モジュールを最初に導入し、スプリットベースリファインメント(SRN)モジュールを使用して形状・形状を最適化する。
論文 参考訳（メタデータ） (2020-07-10T06:54:19Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳（メタデータ） (2020-05-12T08:01:16Z) - 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。