論文の概要: Surpassing state of the art on AMD area estimation from RGB fundus images through careful selection of U-Net architectures and loss functions for class imbalance

• arxiv url: http://arxiv.org/abs/2510.26778v1
• Date: Thu, 30 Oct 2025 17:55:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.961879
• Title: Surpassing state of the art on AMD area estimation from RGB fundus images through careful selection of U-Net architectures and loss functions for class imbalance
• Title（参考訳）: クラス不均衡のためのU-Netアーキテクチャと損失関数の慎重に選択によるRGBファウンダス画像からのAMD領域推定
• Authors: Valentyna Starodub, Mantas Lukoševičius,
• Abstract要約: 年齢関連黄斑変性症(AMD)は60歳以上の人における不可逆的視力障害の主要な原因の1つである。 本研究は,RGB眼底画像におけるAMD病変検出のセマンティックセグメンテーションに焦点を当てた。
• 参考スコア（独自算出の注目度）: 0.21485350418225244
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Age-related macular degeneration (AMD) is one of the leading causes of irreversible vision impairment in people over the age of 60. This research focuses on semantic segmentation for AMD lesion detection in RGB fundus images, a non-invasive and cost-effective imaging technique. The results of the ADAM challenge - the most comprehensive AMD detection from RGB fundus images research competition and open dataset to date - serve as a benchmark for our evaluation. Taking the U-Net connectivity as a base of our framework, we evaluate and compare several approaches to improve the segmentation model's architecture and training pipeline, including pre-processing techniques, encoder (backbone) deep network types of varying complexity, and specialized loss functions to mitigate class imbalances on image and pixel levels. The main outcome of this research is the final configuration of the AMD detection framework, which outperforms all the prior ADAM challenge submissions on the multi-class segmentation of different AMD lesion types in non-invasive RGB fundus images. The source code used to conduct the experiments presented in this paper is made freely available.
• Abstract（参考訳）: 年齢関連黄斑変性症(AMD)は60歳以上の人における不可逆的視力障害の主要な原因の1つである。 本研究は,非侵襲的で費用対効果の高い画像技術であるRGB眼底画像におけるAMD病変検出のセマンティックセグメンテーションに焦点を当てた。 ADAMチャレンジの結果は、RGBの画像研究コンペティションと、現在までのオープンデータセットから最も包括的なAMD検出が、私たちの評価のベンチマークとして役立ちます。 筆者らは,U-Net接続を基盤として,前処理技術,エンコーダ(バックボーン)の複雑な深層ネットワークタイプ,画像や画素レベルのクラス不均衡を緩和する特殊な損失関数など,セグメンテーションモデルのアーキテクチャとトレーニングパイプラインを改善するためのいくつかのアプローチを評価し,比較した。 この研究の主な成果はAMD検出フレームワークの最終的な構成であり、非侵襲的なRGBファウンダス画像における様々なAMD病変のマルチクラスセグメンテーションにおいて、ADAMの課題を全て上回っている。 本稿では,本論文で紹介した実験のソースコードを自由に利用できる。

関連論文リスト

• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• 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)
• Learning Two-Stream CNN for Multi-Modal Age-related Macular Degeneration Categorization [6.023239837661721]
  加齢関連黄斑変性症(AMD)は50歳以上では一般的な黄斑疾患である。 これまでの研究は、主にシングルモーダル入力によるAMD分類に焦点を当てていた。 対照的に,多モード入力によるAMD分類は臨床的に有意だがほとんど探索されていない方向である。
  論文  参考訳（メタデータ） (2020-12-03T12:50:36Z)
• Exploring Intensity Invariance in Deep Neural Networks for Brain Image Registration [0.0]
  深層学習に基づく画像登録における入力画像対間の強度分布の影響について検討する。 構造的類似性に基づく損失をトレーニングしたディープラーニングモデルは、両方のデータセットでよりよく機能しているようだ。
  論文  参考訳（メタデータ） (2020-09-21T17:49:03Z)
• Fundus Image Analysis for Age Related Macular Degeneration: ADAM-2020 Challenge Report [0.685316573653194]
  加齢関連黄斑変性症(AMD)は高齢者の視覚障害の主要な原因の1つである。 我々は,AMDのコンピュータ支援診断のためのカラーファンドス画像を用いた深層学習に基づく網膜解析手法を提案する。
  論文  参考訳（メタデータ） (2020-09-03T09:46:32Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)
• Depth image denoising using nuclear norm and learning graph model [107.51199787840066]
  グループベース画像復元法は,パッチ間の類似性収集に有効である。 各パッチに対して、検索ウィンドウ内で最もよく似たパッチを見つけ、グループ化する。 提案手法は, 主観的, 客観的両面において, 最先端の復調法よりも優れている。
  論文  参考訳（メタデータ） (2020-08-09T15:12:16Z)

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。