RetiNet: OCT 体数据中自动识别 AMD
该研究使用光学相干断层扫描(OCT)技术,建立了一个开放数据集(OCTDL),其中包含 1600 多幅高分辨率 OCT 图像,针对疾病组和视网膜病理进行了标记。通过应用深度学习分类技术,对该数据集进行了疾病分类的研究。
Dec, 2023
本研究提出一种卷积神经网络架构,能够成功区分不同视网膜层的退化以及其潜在的疾病原因,准确率达到 99.8%,100%。此外,这种架构可以实时预测视网膜疾病,同时表现优于人类诊断医师。
Oct, 2019
该研究使用光学相干断层扫描血管造影技术(OCTA)对糖尿病视网膜病变进行自动评估,通过优化的二维摘要和分类流程,提供了比三维分类更好、更易解释的结果。
Jan, 2024
提出基于深度学习的神经网络来校正 OCT 图像中的运动伪影,并在实验中表明该方法可以有效地校正运动伪影,恢复视网膜的整体曲率,并能够推广到各种疾病和分辨率。
May, 2023
通过对大规模视网膜光学相干断层扫描图像进行深度学习,我们提出了一种基于对比学习的生物标志物提议系统来加速年龄相关性黄斑变性的生物标志物发现,此系统超越了已建立的临床分级系统所使用的标志物集合,为进一步发现新的预后性生物标志物提供了可能。
Mar, 2024
本研究对视网膜光学相干断层扫描技术与深度学习算法在阿尔茨海默病和认知损害的自动化诊断方面的应用进行了系统性综述,发现开放的阿尔茨海默病相关光学相干断层扫描数据集的不足是制约该领域进展的主要问题。
Sep, 2022
通过对一定区域感兴趣的视网膜 (OCT) 数据进行部分输入,即限制输入 B 扫描到特定的 ROI,研究是否有可能区分中间年龄相关性黄斑变性 (AMD) 和健康对照组。通过训练使用 VGG16 架构和在 ImageNet 上预训练的卷积神经网络,可以有高精度地识别出这些 ROIs, 从而实现了对 AMD 分类的高准确性。
May, 2023
本研究提出了一种基于多模态输入的卷积神经网络自动分类年龄相关性黄斑变性的方法,并通过 Loose Pair 训练和类激活映射技术进行了优化,实验证明了该方法在多模态 AMD 分类方面的可行性。
Jul, 2019
本文介绍了一种新的合奏学习机制,旨在识别受限资源(例如数据、计算)下的视网膜疾病,该机制利用了多个预训练模型的见解,有助于将它们的知识转移到视网膜光学相干断层扫描图像中,提供了一种在处理受限标记数据的情况下建立强大模型的方法,并消除了从头开始学习所需的大量参数的需求。在真实世界数据集上进行的全面实验表明,所提出的方法在识别视网膜光学相干断层扫描图像方面可以实现优越性能,即使在处理非常有限的标记数据集时也是如此。此外,这种方法消除了学习大规模参数的必要性,使其非常适合在资源有限的情景中部署。
Feb, 2024
采用基于空间殖民化的仿真方法和三个对比适应管道,以更快、更真实地合成 OCTA,表现出优异的性能,能更好地补足深度学习方法不足。
Jun, 2023