論文の概要: Retinal Cyst Detection from Optical Coherence Tomography Images
- arxiv url: http://arxiv.org/abs/2604.10843v1
- Date: Sun, 12 Apr 2026 22:28:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.245443
- Title: Retinal Cyst Detection from Optical Coherence Tomography Images
- Title（参考訳）: 光コヒーレンストモグラフィー画像からの網膜細胞検出
- Abstract要約: この研究は、嚢胞セグメンテーションチャレンジデータセットからのイメージセットをトレーニングするためのパッチワイズ分類の方法によるセグメンテーションのResNet CNN(Convolutional Neural Network)アプローチを使用する。
また、これらの手法を、初めて公開された新しい嚢胞セグメンテーションチャレンジデータセットを用いて比較する。
その結果、すべてのベンダーが品質に関係なく70%以上のダイス係数を与える技術アプローチの以前の状態よりも優れた結果が得られた。
- 参考スコア（独自算出の注目度）: 6.403937091903376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Retinal Cysts are formed by leakage and accumulation of fluid in the retina due to the incompetence of retinal vasculature. These cystic spaces have significance in several ocular diseases such as age-related macular degeneration, diabetic macular edema, etc. Optical coherence tomography is one of the predominant diagnosing techniques for imaging retinal pathologies. Segmenting and quantification of intraretinal cysts plays the vital role in predicting visual acuity. In literature, several methods have been proposed for automatic segmentation of intraretinal cysts. As cystoid macular edema becomes a major problem to humankind, we need to quantify it accurately and operate it out, else it might cause many problems later on. Though research is being carried out in this area, not much of progress has been made and accuracy achieved so far is 68\% which is very less. Also, the methods depend on the quality of the image and give very low results for high noise images like topcon. This work uses ResNet CNN (Convolutional Neural Network) approach of segmentation by the way of patchwise classification for training on image set from cyst segmentation challenge dataset and testing on test data set given by 2 different graders for all 4 vendors in the challenge. It also compares these methods using first publicly available novel cyst segmentation challenge dataset. The methods were evaluated using quantitative measures to assess their robustness against the challenges of intraretinal cyst segmentation. The results are found to be better than the previous state of the art approaches giving more than 70\% dice coefficient on all vendors irrespective of their quality.
- Abstract（参考訳）: 網膜嚢胞は、網膜血管の無能性による網膜内の流体の漏れと蓄積によって形成される。
これらの嚢胞性空間は、加齢に伴う黄斑変性、糖尿病性黄斑浮腫など、いくつかの眼疾患において重要である。
光コヒーレンストモグラフィーは、網膜病理を画像化するための主要な診断手法の1つである。
網膜内嚢胞の分節と定量化は、視力を予測する上で重要な役割を担っている。
文献では網膜内嚢胞の自動分節法としていくつかの方法が提案されている。
嚢胞性黄斑浮腫は人類にとって大きな問題となるので、それを正確に定量化し、操作する必要がある。
この分野では研究が進められているが、あまり進展は見られず、これまでに達成された精度は68 %と非常に少ない。
また、この手法は画像の品質に依存し、トポコンのような高ノイズ画像に対して非常に低い結果を与える。
この研究は、嚢胞セグメンテーションチャレンジデータセットからのイメージセットのトレーニングと、チャレンジ中の4つのベンダーすべてに対して2つの異なるグレードラーが設定したテストデータセットのテストのためのパッチワイズ分類によるセグメンテーションのResNet CNN(Convolutional Neural Network)アプローチを使用する。
また、これらの手法を、初めて公開された新しい嚢胞セグメンテーションチャレンジデータセットを用いて比較する。
これらの手法を定量的に評価し,網膜内嚢胞分節化の課題に対するロバスト性の評価を行った。
その結果、従来の最先端のアプローチよりも、品質に関わらず、すべてのベンダーに70%以上のダイス係数を与えることがわかった。
関連論文リスト
- Bayesian Deep Learning Approaches for Uncertainty-Aware Retinal OCT Image Segmentation for Multiple Sclerosis [0.0]
光コヒーレンス・トモグラフィ(OCT)は眼科、心臓科、神経学の貴重な知見を提供する。
OCTを用いた眼科医にとって重要な課題は、スキャン内の網膜層のデライン化である。
深層学習を用いたデライン作成の自動化に向けた従来の取り組みは、臨床医や統計学者の獲得に困難を呈している。
論文 参考訳（メタデータ） (2025-05-17T15:56:17Z) - Retinal Image Segmentation with Small Datasets [25.095695898777656]
糖尿病黄斑浮腫(DME)、加齢関連黄斑変性(AMD)、緑内障などの多くの眼疾患が網膜に出現し、不可逆的な失明や中心バージョンに深刻な障害を引き起こす。
オプティカルコヒーレンス・トモグラフィ(OCT)は網膜の3Dスキャンであり、網膜解剖の変化を診断し、モニターするために用いられる。
多くのDeep Learning(DL)メソッドは、網膜の病理学的変化を監視する自動化ツールの開発の成功を共有している。
論文 参考訳（メタデータ） (2023-03-09T08:32:14Z) - FetReg2021: A Challenge on Placental Vessel Segmentation and
Registration in Fetoscopy [52.3219875147181]
2-Twin Transfusion Syndrome (TTTS) に対するレーザー光凝固法が広く採用されている。
このプロシージャは、視野が限られたこと、フェトスコープの操作性が悪いこと、視認性が悪いこと、照明の変動性のために特に困難である。
コンピュータ支援介入(CAI)は、シーン内の重要な構造を特定し、ビデオモザイクを通して胎児の視野を広げることで、外科医に意思決定支援と文脈認識を提供する。
7つのチームがこの課題に参加し、そのモデルパフォーマンスを、6フェットから658ピクセルの注釈付き画像の見当たらないテストデータセットで評価した。
論文 参考訳（メタデータ） (2022-06-24T23:44:42Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Statistical and Topological Summaries Aid Disease Detection for
Segmented Retinal Vascular Images [0.0]
微小血管疾患は網膜画像の視覚検査によって評価される。
病気が静かな症状を示したり、患者が直接の会議に出席できない場合、これは困難である。
微小血管疾患の検出における機械学習アルゴリズムの性能について検討した。
論文 参考訳（メタデータ） (2022-02-20T01:29:36Z) - GAMMA Challenge:Glaucoma grAding from Multi-Modality imAges [48.98620387924817]
グラウコーマgAding from Multi-Modality imAges (GAMMA) Challenge を作成した。
この課題の主な課題は,2次元眼底画像と3D OCTスキャンボリュームから緑内障を診断することである。
緑内障のカラー写真と3D OCTボリュームを併用した緑内障アノテートデータセットを公表した。
論文 参考訳（メタデータ） (2022-02-14T06:54:15Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T18:54:25Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - 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) - Assignment Flow for Order-Constrained OCT Segmentation [0.0]
網膜層厚の同定は、患者ごとに個別に行う重要な課題である。
自動セグメンテーションモデルの構築は,医用画像処理分野において重要な課題となっている。
我々は、秩序に制約された3D OCT網膜細胞層セグメンテーションのための新しい、純粋にデータ駆動型テキスト幾何学的アプローチを提案する。
論文 参考訳（メタデータ） (2020-09-10T01:57:53Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳（メタデータ） (2020-07-21T14:37:00Z)
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。