基于深度学习的眼底图像应用综述
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
本文总结和回顾了过去五年来针对深度学习在医学图像分析领域中面临着的挑战和问题进行的一系列研究和尝试,强调了半监督和无监督深度学习在医学图像分析领域的最新进展和贡献,并讨论了未来研究的可能解决方案和技术挑战。
May, 2021
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
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
本研究提出了一种结合深度学习和手工特征的方法用于红色病变检测,通过使用 ensemble vector of descriptors 融合两者可显著提高检测效果。这种方法在 DIARETDB1、e-ophtha 和 MESSIDOR 数据库中表现最好,并且已有开源实现。
Jun, 2017
通过引入新颖的人群模型和基于距离相关性的解缠结损失函数,我们成功实现了视网膜底图像的控制性和高度逼真的生成,并揭示了患者属性和技术混杂因素在图像生成中的复杂关系。
Feb, 2024
本文提出了利用 “热图” 显示出影响影像级别的预测性诊断的像素,同时应用于 90,000 张视网膜照片和 110,000 张照片的数据集中,与其他热图检测算法相比,表现出更好的检测性能。
Oct, 2016
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
该论文回顾了与医学图像分析相关的主要深度学习概念,并总结了 300 多项协同研究的成果,大部分研究在过去一年内发表。文中调查了深度学习在图像分类、物体检测、分割、注册等任务中的使用并提供了应用领域的简介。同时也探讨了未来研究的开放性挑战和方向。
Feb, 2017