ReLayNet:使用完全卷积网络对黄斑区光学相干断层扫描的视网膜层和液体分割
该论文提出了一种基于贝叶斯深度学习的视网膜层分割和不确定性量化方法,其不仅可以进行视网膜层的端对端分割,而且还可以提供像素级的不确定性度量。通过生成的不确定性地图,可以识别出错误分割的图像区域,从而用于下游分析。该方法在视网膜图像分割方面具有可比或更好的性能,并且更加稳健抗噪声。
Sep, 2018
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
通过提出一种名为 LMBiS-Net 的轻量级像素级卷积神经网络,该论文在仅有 0.172 M 的可学习参数下,成功应用于眼科诊断和治疗中,以实现对视网膜图像的快速准确分割。
Sep, 2023
利用眼底数字成像技术,通过主动学习构建了一个新的数据集,其中包含由医学生及眼科医师审查的240个手动分割的视网膜小动脉和小静脉,开发了一种名为LUNet的新型深度学习架构,用于高分辨率的动静脉分割,并证明LUNet在多个测试集上显著优于其他分割算法。
Sep, 2023
利用深度学习的现代生物医学图像分析经常面临有限的注释数据的挑战,为了克服这个问题,可以使用深度生成模型来合成逼真的生物医学图像。通过提供粗略的层次草图,训练的去噪扩散概率模型(DDPM)可以生成逼真的近视视网膜光学相干断层扫描图像。此外,通过知识适应可以获得更准确的伪标签,对分割任务非常有益。通过这一方法,我们观察到层次分割准确性的持续改善,并通过各种神经网络验证。此外,我们还发现,仅使用合成图像训练的层次分割模型可以达到与仅使用真实图像训练的模型相当的结果。这些发现展示了DDPM在减少人工注释视网膜光学相干断层扫描图像的需求方面的潜在潜力。
Nov, 2023
基于混合2D-3D卷积神经网络的创新框架可以从光学相干断层扫描(OCT)体积中获得连续的三维视网膜层面,并在全面和稀疏注释方面表现出卓越的性能,从而在体积的OCT图像中尝试三维视网膜层分割的首个工作。
Dec, 2023
我们的研究提出了一种自我监督的强大机器学习框架OCT-SelfNet,用于使用光学相干断层扫描(OCT)图像检测眼部疾病,通过结合多个机构的数据集,采用两阶段训练方法(自我监督预训练和有监督微调),并基于SwinV2主干结构的遮罩自编码器解决了实际临床应用部署的问题。广泛的实验表明,我们的方法在所有测试中均获得超过77%的AUC-ROC性能,而基线模型Resnet-50的性能不到54%。此外,根据AUC-PR指标,我们的方法达到了42%以上的性能,相比基线模型的33%,性能提升了至少10%,这显示了我们方法的潜力和在临床设置中的实用性。
Jan, 2024
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
本文提出了一种轻量级网络,用于光学相干断层扫描图像的视网膜层分割,并通过多尺度特征提取和变换块对特征图的语义信息进行全面利用和全局推理能力的提升,并通过多尺度不对称注意(MAA)模块在每个编码器尺度上保留语义信息,实现了比当前最先进的TransUnet方法(具有105.7M参数)更好的分割效果,参数仅为3.3M。
Apr, 2024
本研究解决了可见光光学相干层析成像中,由于血管造成的阴影伪影导致的视网膜层分割准确性不足的问题。研究提出的BreakNet模型通过层次化的变压器和卷积块提取多尺度特征,显著提升了分割精度,甚至在有限的真实数据条件下也优于现有的最先进分割模型,具备改善视网膜量化和分析的潜力。
Aug, 2024