論文の概要: Comparative Evaluation of Deep Learning Models for Geographic Atrophy Segmentation in En Face OCT Images
- arxiv url: http://arxiv.org/abs/2611.13191v1
- Date: Mon, 09 Nov 2026 20:12:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-12 04:24:43.585705
- Title: Comparative Evaluation of Deep Learning Models for Geographic Atrophy Segmentation in En Face OCT Images
- Title(参考訳): En Face OCT画像における地理的萎縮の深層学習モデルの比較評価
- Abstract要約: 老化関連黄斑変性症(AMD)の進行型である地理萎縮症(GA)
網膜色素上皮(RPE)と光受容体の進行変性による可逆的な視覚喪失を引き起こす。
画像中のGAの正確なセグメンテーションは、早期診断、疾患の進行のモニタリング、パーソナライズされた治療戦略の開発に不可欠である。
- 参考スコア(独自算出の注目度): 0.12523494692655027
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background: Geographic atrophy (GA) is an advanced form of age-related macular degeneration (AMD). It causes irreversible vision loss due to progressive degeneration of the retinal pigment epithelium (RPE) and photoreceptors. Accurate segmentation of GA in en-face image is crucial for early diagnosis, monitoring disease progression, and developing personalized treatment strategies. However, existing deep learning approaches are typically evaluated using single architectures and single-device datasets, limiting insight into relative performance and cross-device robustness. Methods: We trained and systematically compared five deep learning architectures for GA segmentation: Nested U-Net, ResU-Net, nnUnet, Swin-Unet and MedSegDiff model, together with a thresholding based classical baseline. The models were trained on a dataset of en-face OCT images derived from 269 OCT volumes from two different devices, following a three-step preprocessing technique involving normalization and inpainting to enhance the quality of the en-face images. Results: On the fixed held-out validation set comprising OCT scans from both Cirrus (R) (Carl Zeiss Meditec, Inc., USA) and Spectralis (R) (Heidelberg Engineering, Germany) devices, nnUnet achieved the highest mean Dice similarity coefficient (DSC) of 0.8882 +/- 0.0033. The other models yielded the following Dice scores: Nested U-Net (0.7932 +/- 0.0423), ResU-Net (0.8453 +/- 0.0074), Swin-Unet (0.6886 +/- 0.0294), and Diffusion model (0.7959 +/- 0.0242). Conclusions: nnUnet framework, demonstrated most reliable performance for GA segmentation in en-face OCT under limited data conditions. It offers the best balance of accuracy, stability, and efficiency for GA quantification.
- Abstract(参考訳): 背景: 地理的萎縮 (GA) は加齢に伴う黄斑変性(AMD)の進行形態である。
網膜色素上皮(RPE)と光受容体の進行変性による可逆的な視覚喪失を引き起こす。
画像中のGAの正確なセグメンテーションは、早期診断、疾患の進行のモニタリング、パーソナライズされた治療戦略の開発に不可欠である。
しかしながら、既存のディープラーニングアプローチは通常、単一のアーキテクチャと単一デバイスデータセットを使用して評価され、相対的なパフォーマンスとデバイス間の堅牢性に関する洞察が制限される。
方法: GAセグメント化のための5つのディープラーニングアーキテクチャ – Nested U-Net, ResU-Net, nnUnet, Swin-Unet, MedSegDiffモデル – を,しきい値に基づく古典的ベースラインとともに,訓練および体系的に比較した。
モデルは、2つの異なるデバイスから269 OCTボリュームから抽出された顔OCT画像のデータセットに基づいてトレーニングされた。
結果:Cirrus (R) (Carl Zeiss Meditec, USA) とSpectralis (R) (Heidelberg Engineering, Germany) の2種類のOCTスキャンを含む固定されたホールドアウト検証セットにおいて,nnUnet は Dice の類似度係数 (DSC) が 0.8882 +/- 0.0033 であった。
Nested U-Net (0.7932 +/- 0.0423), ResU-Net (0.8453 +/- 0.0074), Swin-Unet (0.6886 +/- 0.0294), Diffusion model (0.7959 +/- 0.0242)。
結論: nnUnetフレームワークは, 限られたデータ条件下での面OCTにおけるGAセグメンテーションにおいて, 最も信頼性の高い性能を示した。
GA量子化の精度、安定性、効率の最良のバランスを提供する。
関連論文リスト
- CAPTOR: a vision-language foundation model for Chest-Abdomen-Pelvis Oncologic CT [33.82588336753218]
我々は,腫瘍性胸腔鏡(CAP)CTの解釈のための視覚提示基盤モデルを開発し,評価した。
AUC 0.767, 95%CI: 0.734-0.793, vs. 0.695, 95%CI: 0.645-0.736)
腫瘍学に富んだCAPCTデータに基づいて訓練された基礎モデルは、対象臨床コンテキストにおける関連する最先端モデルよりも優れていた。
論文 参考訳(メタデータ) (2026-10-09T18:39:01Z) - Abnormalities and Disease Detection in Gastro-Intestinal Tract Images [2.5209477824050954]
本研究は,リアルタイムアプリケーションにおけるGI画像の正確な分類とセグメント化の課題に対処する。
リアルタイム検出を支援するために,テクスチャと局所バイナリパターンを統合したニューラルネットワークを開発した。
ユーザビリティを向上させるために,Depth-Wise Separable Convolutionとニューラルネットワークアンサンブルを活用した2つのセグメンテーションツールが提案されている。
論文 参考訳(メタデータ) (2026-03-23T10:13:56Z) - HOG-CNN: Integrating Histogram of Oriented Gradients with Convolutional Neural Networks for Retinal Image Classification [1.5939351525664014]
本稿では,HOG-CNNと呼ばれるハイブリッド特徴抽出モデルに基づく,自動的かつ解釈可能な臨床診断支援フレームワークを提案する。
私たちの重要な貢献は、手作りのHistogram of Oriented Gradients(HOG)機能とDeep Convolutional Neural Network(CNN)表現の統合です。
本モデルでは,2次DR分類では98.5%,2次DR分類では99.2AUC,5次DR分類では94.2AUCが得られた。
論文 参考訳(メタデータ) (2025-07-29T22:54:28Z) - Patch-Based and Non-Patch-Based inputs Comparison into Deep Neural Models: Application for the Segmentation of Retinal Diseases on Optical Coherence Tomography Volumes [0.3749861135832073]
AMDは、2040年までに2億8800万人に達すると予想されている。
ディープラーニングネットワークは、画像とピクセルレベルの2Dスキャンの分類において有望な結果を示している。
DSC測定値のパッチベースモデルが最も高いスコアは0.88であり、SRF流体セグメンテーションの非パッチベースでは0.71であった。
論文 参考訳(メタデータ) (2025-01-22T10:22:08Z) - KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。
我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。
提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文 参考訳(メタデータ) (2024-10-28T16:00:42Z) - Comparative Analysis of Image Enhancement Techniques for Brain Tumor Segmentation: Contrast, Histogram, and Hybrid Approaches [0.0]
この研究は、画像強調技術が畳み込みニューラルネットワーク(CNN)ベースの脳腫瘍に与える影響を系統的に研究した。
CNNベースのU-Netアーキテクチャ、トレーニング、検証プロセスの詳細な分析を行う。
比較分析は、精度、損失、MSE、IoU、DSCといったメトリクスを利用しており、ハイブリッドアプローチのCLAHE-HEは、他よりも一貫して優れています。
論文 参考訳(メタデータ) (2024-04-08T09:27:42Z) - DG-TTA: Out-of-domain Medical Image Segmentation through Augmentation and Descriptor-driven Domain Generalization and Test-Time Adaptation [43.842694540544194]
ドメイン外の画像に事前訓練された深層学習セグメンテーションモデルを適用すると、品質の不足を予測できる。
本研究では、拡張とともに強力な一般化記述子を用いて、ドメイン一般化事前学習とテスト時間適応を実現することを提案する。
論文 参考訳(メタデータ) (2023-12-11T10:26:21Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳(メタデータ) (2023-11-06T12:58:26Z) - Comparative analysis of deep learning approaches for AgNOR-stained
cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。
以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。
最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文 参考訳(メタデータ) (2022-10-19T15:15:32Z) - Early Diagnosis of Retinal Blood Vessel Damage via Deep Learning-Powered
Collective Intelligence Models [0.3670422696827525]
Swarmアルゴリズムのパワーは、タスクに最適なモデルを提供するために、畳み込み層、プーリング層、正規化層の様々な組み合わせを探すために使用される。
最高のTDCNモデルは90.3%、AUC ROCは0.956、Cohenスコアは0.967である。
論文 参考訳(メタデータ) (2022-10-17T21:38:38Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳(メタデータ) (2021-08-07T10:12:42Z)
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。