Jul, 2016

大型公共卫生数据库中眼底图像的叠加以进行纵向分析

PDF
TL;DR本文提出了一种针对糖尿病患者眼底图像的叠加方法，该方法在空间和时间上完全自动化，并对图像间的颜色变异和相机变化具有鲁棒性，其中包括纵向分析队列公共卫生数据库所有步骤都设计为大约每年进行视网膜检查。该方法在模拟拼贴图和公共卫生数据库的两种图像集上进行了验证，结果优于两种先进的方法。
发现论文，激发创造
  • 用生成模型解耦视网膜图像的表示

    通过引入新颖的人群模型和基于距离相关性的解缠结损失函数，我们成功实现了视网膜底图像的控制性和高度逼真的生成，并揭示了患者属性和技术混杂因素在图像生成中的复杂关系。

    Feb, 2024

  • 使用纵向自监督学习进行糖尿病视网膜病变的检测

    本文探讨了使用纵向自监督学习方法，从连续双眼底彩色照片图像中建模糖尿病视网膜病变疾病进程以及检测早期 DR 病情的变化，实验结果表明使用 LSSL 潜在空间编码 DR 进展的动态，可以取得更好的检测效果。

    Sep, 2022

  • 针对对抗性视网膜图像合成的研究

    本文提出了一种通过血管分割技术直接从数据中学习综合眼底图像的方法，并使用基于对抗学习的图像转换技术将二进制血管树映射到新的视网膜图像，其实验结果以定量方法证实生成的图像保留了真实图像集合的大部分质量。

    Jan, 2017

  • 使用多个分类器的眼底图像检测糖尿病视网膜病变严重程度

    糖尿病性视网膜病变是糖尿病患者常见的眼睛并发症，通过眼底检查诊断。该论文提出了一种检测糖尿病病变程度的方法，包括数据预处理、图像分割和集成分类器的应用，并评估系统的可信度。

    Jul, 2023

  • 结合基于分割的血管增强和深度学习特征的一种改进的视网膜疾病诊断方法

    该论文提出了一种快速、客观、准确的诊断与视网膜底层图像相关疾病的方法，采用多分类研究正常样本和 13 类疾病样本在 STARE 数据库上，测试集准确率达到 99.96%，并与其他研究相比取得了最高准确率。创新地提出 “基于分割的血管增强（SVE）” 方法，经比较深度学习模型在 SVE 图像、原始图像和平滑 Grad-CAM ++ 图像上的分类性能后，提取 SVE 图像的深度学习特征和传统特征并输入到九个元学习器进行分类，结果表明我们提出的 UNet-SVE-VGG-MLP 模型在 STARE 数据库上对与视网膜底层图像相关疾病的分类具有最佳性能，测试集的整体准确率达到 99.96%，14 个类别的加权 AUC 为 99.98%。该方法可实现视网膜底层图像相关疾病的快速、客观、准确的分类与诊断。

    May, 2024

  • 视网膜病变分割的跨数据集泛化

    通过对多个数据集进行对比研究，本文提出了使用随机权重平均、模型融合和集成等技术来提高模型泛化性能，并揭示了如何将粗粒度标记数据与细粒度数据集相结合以改善病变分割的洞见。

    May, 2024

  • 医学图像配准及其在视网膜图像中的应用：一项综述

    医学图像配准对疾病诊断和治疗至关重要，能够合并不同时期、不同角度或不同模态下捕获的多样信息。本文系统综述了传统和基于深度学习的医学图像配准方法，并重点关注了视网膜图像配准的最新进展及其面临的挑战，同时提供未来研究的见解和展望。

    Mar, 2024

  • 使用深度学习在超广角眼底图像中检测多种视网膜疾病：数据驱动相关区域识别

    我们使用全局可解释性方法建立了一个多疾病的深度学习模型来检测超广角成像中的视网膜疾病，发现在这些图像中最重要的区域是后极区域，只利用后极区域周围 10% 的图像即可实现与使用整个图像相当的性能。

    Mar, 2022

  • 利用基于 Transformer 的序列建模技术，挖掘纵向医学成像在眼部疾病预后中的潜力

    该研究使用深度学习技术从长期的医学图像中对年龄相关性黄斑变性和原发性开角型青光眼进行动态预测，取得了显著的成果。

    May, 2024

  • 自我监督的机器学习在医疗专家匮乏的多种眼底疾病诊断中的应用

    我们提出了一个通用的无监督机器学习框架，可以处理不同的未标记的眼底图像，达到了超过现有监督方法的 AUC，并且甚至超过了单个人类专家的表现。此外，我们的模型在来自不同地区、种族和多台相机或设备的异构图像源或质量的各种数据集上都适应良好。我们的方法提供了一个无需标签的通用框架来诊断眼底疾病，这可能有利于早期筛查视力受损风险的远程医疗计划。

    Apr, 2024