論文の概要: Tunable Wavelet Unit based Convolutional Neural Network in Optical Coherence Tomography Analysis Enhancement for Classifying Type of Epiretinal Membrane Surgery

• arxiv url: http://arxiv.org/abs/2507.00743v1
• Date: Tue, 01 Jul 2025 13:46:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.645666
• Title: Tunable Wavelet Unit based Convolutional Neural Network in Optical Coherence Tomography Analysis Enhancement for Classifying Type of Epiretinal Membrane Surgery
• Title（参考訳）: 波長可変ウェーブレット系畳み込みニューラルネットワークによる網膜膜手術の光学コヒーレンス・トモグラフィー解析
• Authors: An Le, Nehal Mehta, William Freeman, Ines Nagel, Melanie Tran, Anna Heinke, Akshay Agnihotri, Lingyun Cheng, Dirk-Uwe Bartsch, Hung Nguyen, Truong Nguyen, Cheolhong An,
• Abstract要約: 上皮膜(ERM)除去手術の種類を分類する深層学習法を開発した。 我々のモデルは, ResNet18畳み込みニューラルネットワーク(CNN)アーキテクチャに基づいて, 術後光コヒーレンス断層撮影(OCT)センタースキャンを入力として利用する。 さらに精度を向上させるために、直交格子系ウェーブレットユニット(OrthLatt-UwU)と完全再構成緩和系ウェーブレットユニット(PR-Relax-UwU)の2つの主要な適応で調整可能なウェーブレットユニットを統合した。
• 参考スコア（独自算出の注目度）: 4.385760909371705
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this study, we developed deep learning-based method to classify the type of surgery performed for epiretinal membrane (ERM) removal, either internal limiting membrane (ILM) removal or ERM-alone removal. Our model, based on the ResNet18 convolutional neural network (CNN) architecture, utilizes postoperative optical coherence tomography (OCT) center scans as inputs. We evaluated the model using both original scans and scans preprocessed with energy crop and wavelet denoising, achieving 72% accuracy on preprocessed inputs, outperforming the 66% accuracy achieved on original scans. To further improve accuracy, we integrated tunable wavelet units with two key adaptations: Orthogonal Lattice-based Wavelet Units (OrthLatt-UwU) and Perfect Reconstruction Relaxation-based Wavelet Units (PR-Relax-UwU). These units allowed the model to automatically adjust filter coefficients during training and were incorporated into downsampling, stride-two convolution, and pooling layers, enhancing its ability to distinguish between ERM-ILM removal and ERM-alone removal, with OrthLattUwU boosting accuracy to 76% and PR-Relax-UwU increasing performance to 78%. Performance comparisons showed that our AI model outperformed a trained human grader, who achieved only 50% accuracy in classifying the removal surgery types from postoperative OCT scans. These findings highlight the potential of CNN based models to improve clinical decision-making by providing more accurate and reliable classifications. To the best of our knowledge, this is the first work to employ tunable wavelets for classifying different types of ERM removal surgery.
• Abstract（参考訳）: 本研究では,上皮膜 (ERM) 除去術, 内膜 (ILM) 除去術, ERM-alone 除去術の分類法を開発した。 我々のモデルは, ResNet18畳み込みニューラルネットワーク(CNN)アーキテクチャに基づいて, 術後光コヒーレンストモグラフィー(OCT)センタースキャンを入力として利用する。 そこで,本研究では,エネルギー作物とウェーブレットを前処理したスキャンとスキャンの両方を用いて,前処理した入力に対して72%の精度を達成し,元のスキャンで達成した66%の精度を上回った。 さらに精度を向上するため、直交格子系ウェーブレットユニット(OrthLatt-UwU)と完全再構成緩和系ウェーブレットユニット(PR-Relax-UwU)の2つの主要な適応で調整可能なウェーブレットユニットを統合した。 これらのユニットは、トレーニング中に自動的にフィルタ係数を調整し、ダウンサンプリング、ストライド2の畳み込み、プール層に組み込まれ、ERM-ILM除去とERM-alone除去を区別する能力を高め、OrthLattUwUは精度を76%、PR-Relax-UwUは78%に向上した。 成績比較の結果, 術後OCTスキャンから除去手術のタイプを50%の精度で分類し, 訓練されたヒトグレーダよりも優れた成績を示した。 これらの結果は、より正確で信頼性の高い分類を提供することで、臨床意思決定を改善するCNNベースのモデルの可能性を強調している。 我々の知る限りでは、異なるタイプのERM除去手術を分類するために調整可能なウェーブレットを用いた最初の研究である。

関連論文リスト

• Removing Neural Signal Artifacts with Autoencoder-Targeted Adversarial Transformers (AT-AT) [0.0]
  オートエンコーダをターゲットとした対向変換器(AT-AT)を用いて脳波データからEMG干渉をフィルタリングする機械学習システムを提案する。 67名の被験者から公開された神経データを用いてAT-ATをトレーニングしたところ、システムはより大きなモデルに匹敵するテスト性能を達成できたことがわかった。
  論文  参考訳（メタデータ） (2025-02-07T21:13:31Z)
• Capsule Endoscopy Multi-classification via Gated Attention and Wavelet Transformations [1.5146068448101746]
  消化管の異常は患者の健康に大きく影響を与え、タイムリーな診断が必要である。 この研究は、ビデオフレームから消化管の異常を分類するために設計された新しいモデルの開発と評価のプロセスを示す。 Omni次元のGated Attention(OGA)機構とWavelet変換技術をモデルアーキテクチャに統合することで、モデルは最も重要な領域に集中することができた。 このモデルの性能は、VGG16とResNet50の2つのベースモデルに対してベンチマークされ、胃腸の異常範囲を正確に識別し分類する能力の強化が示されている。
  論文  参考訳（メタデータ） (2024-10-25T08:01:35Z)
• 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)
• Classification and Self-Supervised Regression of Arrhythmic ECG Signals Using Convolutional Neural Networks [13.025714736073489]
  回帰および分類タスクを解くことができるディープニューラルネットワークモデルを提案する。 我々はこのモデルをMIT-BIH Arrhythmiaデータベース上で検証した。
  論文  参考訳（メタデータ） (2022-10-25T18:11:13Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。