一种新型的混合机器学习模型用于视网膜疾病的自动分类
本研究针对视网膜疾病治疗方案提出一种基于人工智能的方法，旨在帮助眼科医生提高诊断效率和准确性。该方法包括深度神经网络模型、视网膜疾病自动诊断和临床描述生成器、DNN 可视化解释模块，并提供基于眼科医生手动标注的视网膜图像数据集进行训练和验证。实验结果表明，该方法无论是定量还是定性分析都取得了显著的效果，并成功生成了有临床意义的视网膜图像描述和可视化解释。
Nov, 2020
研究开发了混合三元网络模型算法，通过使用包含基于传统转移学习的 CNN 模型、两阶段 CNN 模型和孪生网络的三个特征组件提取特征，以及集成机器学习算法进行诊断，实现了对 12 种常见和罕见眼病的准确诊断，其平均准确率为 97%，AUC 得分为 0.96。该诊断工具为全球化早期发现常见和罕见眼病提供了稳定、适应性强、经济高效、易用和快速的解决方案。
May, 2024
应用人工智能技术于医疗市场在及时诊断类似糖尿病视网膜病变这类悄无声息的疾病方面引发了日益关注，我们通过提出一种新型的卷积神经网络模型，借助眼底图像作为输入，可以识别到糖尿病视网膜病变的严重程度，并通过卷积层对微小动脉瘤、棉絮斑、渗出物和出血等四种已知视网膜病变特征进行分类，能够提供准确的诊断结果并且不需要额外用户输入，我们提供了初步结果表明灵敏度为 97% 准确性为 71%，我们的贡献在于提供了一种可解释性更强且与更复杂模型具有相似准确性的模型，我们的模型推动了糖尿病视网膜病变检测领域的发展，是向以人工智能为重点的医学诊断迈进的重要一步。
Oct, 2023
这项研究探讨了糖尿病视网膜病变（DR）这个潜在导致失明的糖尿病严重并发症。利用卷积神经网络（CNNs）进行迁移学习的提出的方法，通过一张眼底照片实现自动 DR 检测，在 APTOS 2019 获盲视检测竞赛中取得了高达 0.92546 的二次加权 Kappa 分数。研究回顾了关于 DR 检测的现有文献，从经典计算机视觉方法到深度学习方法，特别关注 CNNs。它发现了研究中的空白，强调了在整合预训练的大型语言模型和分割图像输入以生成建议和了解网络应用环境中的动态交互方面的不足。目标包括制定全面的 DR 检测方法、探索模型整合、通过竞赛排名评估性能、在 DR 检测方法方面做出显著贡献，并确定研究中的空白。该方法涉及数据预处理、数据增强以及使用 U-Net 神经网络架构进行分割。U-Net 模型有效地分割视网膜结构，包括血管、硬性和软性渗出物、出血、微血管瘤和眼盘。在 Jaccard 系数、F1 得分、召回率、精确率和准确度方面的高评价分数凸显了该模型在视网膜病理评估中提升诊断能力的潜力。这项研究的成果有望通过及时诊断和干预来改善糖尿病视网膜病变患者的预后，对医学图像分析领域做出重要贡献。
Jan, 2024
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
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
本研究采用基于两种广泛应用的预训练卷积神经网络（VGG16 和 Inception V3）的集成方法，旨在将糖尿病性视网膜病变（DR）分为五个不同的类别。通过冻结预训练模型中的部分层，使用全局平均池化层将输出特征映射转换为固定长度向量，并将这些向量连接起来形成输入图像的综合表示。在 APTOS 数据集的训练和验证集上对集成模型进行训练，并在测试集上表明该模型对 DR 分类具有 96.4% 的准确性。
Aug, 2023
本文旨在提出一种无需重新设计模型的基于 CNN 的深度学习模型 (nn-MobileNet)，用于视网膜疾病的诊断和监测，并证明其在多个任务上取得了优于目前大多数最先进方法的结果，包括糖尿病视网膜病变、眼底多种疾病检测和糖尿病黄斑水肿分类，从而推进深度学习架构设计和视网膜病理研究的新视角。
Jun, 2023