Jan, 2018

基于多标签深度网络和极坐标变换的联合视盘和杯膜分割

PDF
TL;DR本文提出了 M-Net，这是一种深度学习架构，可以在一个多标签系统中联合解决视盘和视杯分割的问题，并使用极坐标变换进一步提高了分割性能。实验结果表明，所提出的方法在 ORIGA 数据集上取得了最先进的视盘和视杯分割效果，同时还在 ORIGA 数据集和 SCES 数据集上获得了令人满意的青光眼筛查表现。
glaucomaoptic discoptic cupm-netdeep learning
发现论文，激发创造
  • UT-Net: 结合 U-Net 和 Transformer 进行联合视盘和杯分割及青光眼检测

    本文提出了一种新的分割方法 UT-Net，结合了 U-Net 和 transformer，采用注意力机制，提高了对视网膜图像中视盘和视杯的分割准确度，并在三个数据集上验证了其优越性。

    Mar, 2023

  • 基于 Patch 的输出空间对抗学习用于联合视盘和杯割取

    本文通过引入一种新的、基于补丁的输出空间对抗学习框架（pOSAL），从不同的视网膜图像数据集中联合、稳健地分割视乳头（OD）和杯状视网膜（OC），并通过对三个公共视网膜视网膜图像数据集的全面评估证明其有效性，特别是在 Glaucoma Challenge 竞赛中取得了 OD 和 OC 分割任务的第一名。

    Feb, 2019

  • EDDense-Net：全密集编码器解码器网络用于视盘和视杯的联合分割

    这篇论文介绍了一种用于诊断青光眼的联合 OC 和 OD 分割的 EDDense-Net 分割网络，该网络在图像中获取和传递空间信息的同时降低了网络的复杂性，并通过使用适当数量的滤波器减少了空间信息的损失，通过评估现有公开数据集上的表现，证明了该方法在准确性和效率方面优于现有的最先进方法。该方法可作为辅助医疗眼科医生的第二意见系统，用于青光眼的诊断和分析。

    Aug, 2023

  • JOINEDTrans: 先验引导的多任务转换器，用于联合视乳头 / 杯分割和黄斑检测

    本文提出一个基于先验引导的多任务变压器框架 (JOINEDTrans) 用于实现视网膜象限的联合识别和视准线检测任务，并将其成功应用于公开数据集 GAMMA、REFUGE 和 PALM 中，明显优于现有的基于深度学习的图像分割和检测方法。

    May, 2023

  • 基于重建驱动动态细化的无监督域自适应方法，用于联合视盘和杯分割

    提出了一种名为 RDR-Net 的无监督领域自适应方法，用于对靶向不同医疗中心的视网膜图像进行光盘和光杯分割，其包括三个模块以缓解领域差距。经过在四个公共数据集上的评估，该方法在分割性能和泛化能力方面均优于竞争模型。

    Apr, 2023

  • 通过噪声感知学习实现多伪标签下的准确视盘和杯盘分割

    通过使用多伪标签噪声感知网络的创新标签去噪方法，本研究提出了准确识别光盘和杯子分割的方法，通过从伪标签中生成的像素级一致信息，提取干净像素和噪声像素之间的区别，有效改善了模型的性能。与其他标签去噪方法相比，在 RIGA 数据集上进行的全面实验结果显示本方法具有出色的性能和显著的去噪能力。

    Nov, 2023

  • 基于视网膜图像的青光眼筛查的磁盘感知集成网络

    本文介绍了一种新的自动青光眼筛查方法 —— 深度学习技术，针对现有临床测量方法对于图像处理精度的过高依赖和对于多种视觉特征的忽视，提出一种名为 DENet 的深度感知集成网络，能够直接从眼底图像中筛查出青光眼。该方法将全局眼底图像和局部视神经盘区域的深层层次信息相结合，实现了四个深度流的处理，最终融合不同流的输出概率生成最终筛查结果。实验结果表明，该筛查方法与其他先进算法相比表现更优。

    May, 2018

  • GARDNet: 色彩底片图像青光眼分类的鲁棒多视角网络

    通过图像处理和深度学习神经网络分类相结合的方法，提出了一种先进的图像预处理技术来诊断青光眼。他们的 Glaucoma Automated Retinal Detection Network（GARDNet）在 Rotterdam EyePACS AIROGS 数据集上成功测试，AUC 为 0.92，在 RIM-ONE DL 数据集上进行了额外优化和测试，AUC 为 0.9308，表现优于现有技术。

    May, 2022

  • 基于边界和熵驱动的对抗学习在眼底图像分割中的应用

    本文提出了一种无监督域自适应框架（称为边界和熵驱动的对抗学习（BEAL）），通过对抗性学习来改进靶域的光盘和杯分割性能，特别是在模糊边界区域。结果表明，我们的方法优于现有的无监督域适应方法。

    Jun, 2019

  • EyeLoveGAN：利用循环 GAN 的领域偏移来提升网络学习

    本文使用卷积神经网络，包括 U-Net，InceptionV3 和叠层沙漏网络，针对 REFUGE 2020 的三项任务，视盘和杯的分割，青光眼的分类和中心凹的定位进行研究。为了增强性能，使用了 cycleGANs 来进行域漂移。

    Mar, 2022