文献

J-GLOBAL ID：202202285799766965   整理番号：22A1039165

分類のための画像処理と教師付き学習を用いたGlaucoma検出【JST・京大機械翻訳】

Glaucoma Detection Using Image Processing and Supervised Learning for Classification

著者 (6件)： Joshi Shubham (Department of Computer Engineering, SVKM’S NMIMS MPSTME Shirpur, Shirpur 425405, Maharashtra, India) ,  Partibane B. (Department of ECE, SSN College of Engineering, Chennai, India) ,  Hatamleh Wesam Atef (Department of Computer Science, College of Computer and Information Sciences, King Saud University, P.O. Box 51178, Riyadh 11543, Saudi Arabia) ,  Tarazi Hussam (Department of Computer Science and Informatics, School of Engineering & Computer Science, Oakland University, Rochester Hills,MI,USA 318 Meadow Brook Rd, Rochester, MI 48309, USA) ,  Yadav Chandra Shekhar (Ministry of Electronics and Information Technology, Delhi, India) ,  Krah Daniel (Tamale Technical University, Tamale, Ghana)
資料名： Journal of Healthcare Engineering (Web)  (Journal of Healthcare Engineering (Web))
巻： 2022  ページ： Null  発行年： 2022年 
JST資料番号： U7772A  ISSN： 2040-2295  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 生物医学工学の実際における困難な課題は,人体内部に発生する生理学的変化の検出であり,それは困難な試みである。モーメントでは,これらの不規則性は手動で等級分けされ,それらの同定に含まれる方法に関連した多くの複雑さのために,非常に困難で,時間がかかり,そして,タイヤソームである。初期段階での疾患を同定するために,コンピュータ支援診断の使用は,疾患検出システムの要件の結果として,ますます注目を集めている。本研究の主な目的は,緑内障の早期同定および疾患のスクリーニングおよび治療を助けるためのコンピュータ支援設計(CAD)システムを構築することである。眼底カメラは利用可能な最も手頃な画像解析モダリティであり,それは一般市民の財政的ニーズを満たす。分割された光学ディスクと分割された光学カップからの構造特性の抽出は,緑内障を特徴付け,その重症度を決定するために使用できる。本研究では,緑内障の早期同定と診断,ならびに眼疾患の評価に対する画像解析モデルの可能性を推定することを目的とした。提案したCADシステムは,制御された環境におけるヒト専門家による判断として第2の意見を提供することにより,眼疾患の診断における眼科医を支援するであろう。緑内障の同定と診断のためのアンサンブルベースの深層学習モデルは,現在,その初期段階にある。この方式の初期モジュールは,緑内障診断のためのアンサンブルベースの深層学習モデルであり,それは,その種類の最初に開発されたものである。緑内障のカテゴリー化のために3つの前訓練畳込みニューラルネットワークを使用することを決定した。これらのネットワークは,残差ネットワーク(ResNet),視覚幾何学グループネットワーク(VGGNet),およびGoogLeNetを含んだ。提案アルゴリズムがいかに良好に機能するかを決定するために,5つの異なるデータセットを用いることが必要であった。これらのデータセットは,DRISHTI-GS,Optic Nerveセグメンテーションデータベース(DRIONS-DB),および高Resolution Fundus(HRF)を含んだ。PSGIMSRデータセットの91.11%の精度と,PSGIMSRデータセットの提案したアンサンブルアーキテクチャの85.55%の感度と95.20%の特異性を達成した。同様に,DRIONS-DB,HRF,DRISHTI-GS,および複合データセットを用いて,それぞれ95.63%,98.67%,95.64%,および88.96%の精度率を達成した。Copyright 2022 Shubham Joshi et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  視覚 ,  CAD【計算機】 ,  ネットワーク ,  レイティング ,  計算機診断 ,  ヒト ,  病気 ,  *教師つき学習 ,  緑内障 ,  画像分析 ,  モーメント ,  計算機アーキテクチャ ,  機械学習
準シソーラス用語： モダリティ ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 医用画像処理  (JE04020T)

引用文献 (30件)：

• F. Guo, W. Li, J. Tang, B. Zou, Z. Fan, "Automated glaucoma screening method based on image segmentation and feature extraction," Medical, & Biological Engineering & Computing, vol. 10, 2020.
• A. S. Derea, H. K. Abbas, H. J. Mohamad, A. A. Al-Zuky, "Adopting run length features to detect and recognize brain tumor in magnetic resonance images," Proceedings of the 2019 First International Conference of Computer and Applied Sciences (CAS), pp. 186-192, Baghdad, Iraq, 18-19 Dec. 2019.
• F. Abdullah, R. Imtiaz, H. A. Madni, H. A. Khan, T. M. Khan, M. A. U. Khan, S. S. Naqvi, "A review on glaucoma disease detection using computerized techniques," IEEE Access, vol. 9, pp. 37311-37333, 2021.
• S. Morales, V. Naranjo, J. Angulo, M. Alcaniz, "Automatic detection of optic disc based on PCA and mathematical morphology," IEEE Transactions on Medical Imaging, vol. 32, no. 4, pp. 786-796, 2013.
• L. C. Rodrigues, M. Marengoni, "Segmentation of optic disc and blood vessels in retinal images using wavelets, mathematical morphology and Hessian-based multi-scale filtering," Biomedical Signal Processing and Control, vol. 36, pp. 39-49, 2017.

タイトルに関連する用語 (3件)： 分類 ,  画像処理 ,  教師付き学習