基于注意力的青光眼检测:一个大规模数据库和 CNN 模型
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
该研究综述了基于人工智能的青光眼检测框架的两种主要方法,分别是基于逻辑规则和基于机器学习/统计建模,并重点概括了这两种方法的最新进展和瓶颈。
Apr, 2022
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
通过与多个预训练模型的比较,本文提出了一种具有94.71%分类准确率的转移学习模型来识别青光眼,并利用本文的Local Interpretable Model-Agnostics Explanations (LIME)方法来帮助医疗专业人员理解该系统的预测过程。这种改进使传统深度学习模型的不透明和脆弱性得到缓解,并为医疗专业人员提供了重要的综合信息以帮助他们做出判断。
Oct, 2022
该研究通过调查最近的研究,使用眼底图像、光学相干断层扫描和视野图像等方法基于人工智能的青光眼诊断,特别关注利用深度学习的方法。研究提供了最新的分类法,并包含可用源代码的链接,以提高研究方法的可重复性。通过对广泛使用的公共数据集进行严格的基准测试,揭示了在普适性、不确定性估计和多模态集成方面的性能差距。此外,调查展示了关键数据集和限制,如规模、标签不一致性和偏见。我们描述了未来研究的开放性挑战并详细阐述了有前景的方向。此调查旨在对希望将进展转化为实践的人工智能研究人员以及希望利用最新人工智能成果改善临床工作流程和诊断的眼科医生有所帮助。
Jul, 2023
近期的研究发现,深度学习算法在自动生成眼底图像特征以检测青光眼方面具有潜力,本文综述了目前应用于青光眼分割、分类和检测的前沿深度学习方法,评估了这些技术的有效性和局限性,突出了关键发现并指出了进一步研究的潜在领域。深度学习算法的运用有望显著提高青光眼检测的效果、实用性和准确性,该研究结果对于自动青光眼检测的持续发展具有重要意义,能够改善患者预后并减轻全球青光眼的疾病负担。
Nov, 2023
一项关于深度学习模型在自动青光眼分类中的研究,采用InceptionCaps作为基于预训练InceptionV3的胶囊网络,通过对视网膜眼底图像的分类,取得了较高的准确性和鲁棒性。
Nov, 2023
利用关注增强的DenseNet-121模型对眼底图像进行正常和青光眼眼睛的分类,实验结果显示了该方法相对于先进的模型的优越性。
Jun, 2024
本研究针对青光眼检测与分类中的机器学习模型可解释性不足的问题,借鉴认知科学,提出了一种以生物标志物为中心的分层决策系统。我们开发的TRI-LSTM时间序列模型首次探讨了青光眼生物标志物之间的内在联系,监测患者疾病状态的时间关系,显著提高了疾病相关临床信息的捕捉与保留效果。
Aug, 2024
本研究针对青光眼早期检测的需求,提出了一种全新的全球自注意力网络GS-Net,旨在解决现有方法在多阶段青光眼分类中的不足。通过引入全球自注意力模块,GS-Net能够更有效地提取眼底图像中的特征,实验结果显示其在分类性能上超越了现有的先进算法,具有显著的临床应用潜力。
Sep, 2024