基于眼底成像和人工智能的青光眼自动检测:综述
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
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
通过成立 Retinal Fundus Glaucoma Challenge(REFUGE)公开了一个包含 1200 个图像的数据集,比现有最大的数据集都要大,提供了一个标准化的基准策略分析不同模型,挑战拥有 12 个资格的团队,其中两个排名最高的团队在青光眼分类任务中表现优于两个人类专家。
Oct, 2019
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
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
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
通过对过去十年的研究进行系统调查,本文提供了一个关于导致视觉障碍或失明的视网膜疾病的体系化调研,强调了早期检测对有效治疗的重要性。它涵盖了检测视网膜疾病的临床和自动化方法,并基于对现有文献的批判性分析确定了未来的研究方向。这一综合研究以不同模态的临床和自动化检测方法为基础,具有独特的范围。此外,该调查对于对数字性视网膜病感兴趣的研究人员,将作为一份有益的指南。
Nov, 2023