本文介绍了一种新的合奏学习机制，旨在识别受限资源（例如数据、计算）下的视网膜疾病，该机制利用了多个预训练模型的见解，有助于将它们的知识转移到视网膜光学相干断层扫描图像中，提供了一种在处理受限标记数据的情况下建立强大模型的方法，并消除了从头开始学习所需的大量参数的需求。在真实世界数据集上进行的全面实验表明，所提出的方法在识别视网膜光学相干断层扫描图像方面可以实现优越性能，即使在处理非常有限的标记数据集时也是如此。此外，这种方法消除了学习大规模参数的必要性，使其非常适合在资源有限的情景中部署。

Feb, 2024

通过对大规模视网膜光学相干断层扫描图像进行深度学习，我们提出了一种基于对比学习的生物标志物提议系统来加速年龄相关性黄斑变性的生物标志物发现，此系统超越了已建立的临床分级系统所使用的标志物集合，为进一步发现新的预后性生物标志物提供了可能。

Mar, 2024

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

本研究提出了一种新的受结构保护的引导性视网膜图像滤波方法（SGRIF），该方法可以有效地恢复降质的视网膜图像，并可用于辅助计算机支持的诊断方法，提高视杯分割和杯盘比率测量的准确性。

May, 2018

利用贝叶斯深度学习的方法结合 Monte Carlo dropout 与新的后处理技术，我们成功地在视网膜光学相干断层扫描图像的异常区域检测中发现了候选的生物标记物，并在病变检测上获得了高精度的分离健康和患病案例的结果。

May, 2019

提出了一种临床导向的多级对比学习框架，旨在增强模型提取病变特征和区分病变与低质量因素的能力，从而能够更准确地诊断低质量医学图像的疾病。

Apr, 2024

本文提出了一种名为 MindEye 的新型 fMRI 到图像转换方法，通过对比学习和扩散优先使用两个并行子模块来实现图像的检索和重建，将 fMRI 脑活动映射到高维多模态潜在空间，使用生成模型从该潜在空间接受嵌入以进行图片重建和精确检索。通过实验证明 MindEye 在重建和检索任务方面具有最先进的性能。

May, 2023

通过超分辨率预处理和深度概率模型，我们解决了创建眼睛的高分辨率无偏眼部图谱的挑战，以服务于一个高度可变的人群。

Jan, 2024

这篇研究使用无监督对比特征学习的方法来对网络图像进行检索，然后结合奇异谱嵌入和离群点敏感聚类来检测噪声和局外点，并训练噪声鲁棒的神经网络来纠正 ID 噪声和利用 OOD 样本进行引导对比学习，提高底层特征。

Jul, 2022

本文提出一种结合解剖学特征的对比学习方法，在不使用标注数据的情况下可从医学图像数据中学习出传递效果良好的视觉表征，具有在胎儿超声成像任务中的卓越表现并优于 ImageNet 监督学习和当前基于对比学习的最新方法。

Aug, 2022