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

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

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

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

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

利用视觉变换器的 Brighteye 方法进行青光眼检测，其中光盘检测提高了对青光眼检测的敏感性和对青光性特征分类的准确性。

May, 2024

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

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

我们提出了一个通用的无监督机器学习框架，可以处理不同的未标记的眼底图像，达到了超过现有监督方法的 AUC，并且甚至超过了单个人类专家的表现。此外，我们的模型在来自不同地区、种族和多台相机或设备的异构图像源或质量的各种数据集上都适应良好。我们的方法提供了一个无需标签的通用框架来诊断眼底疾病，这可能有利于早期筛查视力受损风险的远程医疗计划。

Apr, 2024