Jun, 2020

感染性角膜炎临床图像分类的深度顺序特征学习

PDF
TL;DR本文提出了一种用于临床图像分类的序列级深度学习模型，以有效识别感染性角膜病的不同和细微之处。该模型的表现比样本中的 421 名眼科医生实现的 49.27% 的诊断准确率高得多，达到了 80.00% 的准确性。
发现论文，激发创造
  • 基于深度学习的角膜圆锥病变检测

    该研究旨在评估不同的 D-CNN 模型在识别角膜地图贴中所表现出的角膜膨胀症相关疾病方面的性能，并发现 DenseNet201 模型在识别角膜地图贴中的疾病方面表现出色，具有稳定性、健壮性和实际应用性。

    Nov, 2023

  • 整合专业知识与可解释性数据驱动智能实现传染性角膜炎的协作临床诊断

    将数据驱动的人工智能与临床医生的专业知识相结合，开发出一种可理解的诊断模型，通过人工智能的生物标志和检索到的具有相同诊断模式的病例提供可视化的推理过程，从而提高安全性和准确性，该模型在传染性角膜炎的诊断中取得了良好的性能、可解释性和临床实用性。

    Jan, 2024

  • 眼部疾病智能识别基准测试：一镜到底的多病检测

    本研究通过建立包含 8 种常见眼疾的数据集，使用深度神经网络进行多疾病分类的实验，发现提高网络规模不能为多疾病分类带来好结果，需要采用良好结构的特征融合方法。

    Feb, 2021

  • 深度视网膜图像诊断中的病理学证据探索

    本研究提出一种基于深度学习的医学诊断方法，使用病理描述符从神经元中提取特征，通过生成对抗网络合成具有糖尿病性视网膜病变特征的病理性视网膜图像，并经过专业医生验证证明其优于现有方法。

    Dec, 2018

  • 使用深度学习技术的眼疾分类

    通过识别普通眼病并进行眼部检查，本研究使用卷积神经网络和迁移学习区分正常眼睛和患有糖尿病视网膜病变、白内障或青光眼的眼睛，通过迁移学习的多分类方法，实现了 94% 的高准确率，而传统的卷积神经网络则达到了 84% 的准确率。

    Jul, 2023

  • 基于增强特征提取处理的糖尿病视网膜病变快速检测策略

    本研究旨在开发一个增强型深度学习模型，用于诊断糖尿病视网膜病变，从而实现早期的 DR 识别和病变的检测。该模型将从视网膜图像中检测出各种病变，首先从视网膜底部图像中提取特征并进行分类，然后使用 EDLM 进行降维，并使用随机梯度下降优化器对分类和特征提取过程进行优化。在 KAG GLE 数据集上对 EDLM 的有效性进行了评估，并与 VGG16、VGG19、RESNET18、RESNET34 和 RESNET50 进行了比较。

    May, 2023

  • 基于 OCT 扫描的集成学习和注意力眼疾预测

    提出了一种利用机器学习和深度学习技术进行眼部疾病预测的端到端网络应用，通过对患者的 OCT 扫描图像进行分割和分类，实现眼部疾病的高效检测，对早期发现和及时干预具有重要意义。

    Nov, 2023

  • 基于眼底图像的白内障检测的 CNN-LSTM 组合网络

    本研究利用 CNN-LSTM 模型结构从眼底图像中诊断出正常或白内障眼病例，该模型在 ODIR 数据集上测试的准确率高达 97.53％，由此有望为眼科疾病的诊断提供快速和可靠的解决方案。

    Oct, 2022

  • 将可学习的概率离散隐变量纳入机器学习模型以提高眼疾检测的稳健性

    利用 GFlowOut 及底端释出掩模，通过深度学习模型分析眼底图像，改善对眼科疾病的识别和分类，是一种有效且全面适用的方法。

    Jan, 2024

  • 基于弱监督深度学习的 CT 图像 COVID-19 感染检测和分类

    使用弱监督的深度学习算法，从 CT 图像中检测和分类 COVID-19 感染，达到准确诊断及区分 COVID-19 和非 COVID-19 病例的目的。

    Apr, 2020