基于贝叶斯深度学习的糖尿病视网膜病变检测任务的基准测试

Nov, 2022

基于贝叶斯深度学习的糖尿病视网膜病变检测任务的基准测试

Benchmarking Bayesian Deep Learning on Diabetic Retinopathy Detection Tasks

Neil Band, Tim G. J. Rudner, Qixuan Feng, Angelos Filos, Zachary Nado...

TL;DR本文提出了 RETINA 基准测试，用于评估贝叶斯深度学习方法的可靠性和在安全关键场景下的预测不确定性量化。作者使用两个公开数据集设计了一组自动诊断任务，要求对高分辨率人类视网膜图像进行可靠的预测不确定性量化，以此来考察现有的贝叶斯深度学习方法在现实世界任务中的表现。实现结果表明，所提出的 RETINA 基准测试是可行的，有望在配备可靠的预测不确定性工具的深度学习应用中发挥重要作用。

Abstract

bayesian deep learning seeks to equip deep neural networks with the ability to precisely quantify their predictive uncertainty, and has promised to make deep learning more reliable for safety-critical real-world

bayesian deep learning predictive uncertainty retina benchmark diabetic retinopathy reliable uncertainty quantification

发现论文，激发创造

糖尿病视网膜病变任务中贝叶斯深度学习鲁棒性的系统比较

我们提出了一个受真实医学图像诊断启发的新的贝叶斯深度学习基准测试，用于模型的不确定性预筛查，包括对分布变化的鲁棒性。目前的评估方法存在不足，在我们的基准测试中，我们发现一些解决 UCI 基准测试的技术过拟合数据集，而在我们的基准测试中则表现不如一些简单的技术。

Dec, 2019

用于糖尿病视网膜病变检测和分期的双支深度学习网络

本文介绍了一种深度学习方法，用于使用单个眼底视网膜图像检测和分级糖尿病视网膜病变，通过迁移学习利用两个先进的预训练模型作为特征提取器并在新数据集上进行微调，该方法在 APTOS 2019 数据集上表现出色，可用作可靠的筛查和分级工具，可增强临床决策和患者护理的潜力。

Aug, 2023

应用深度学习算法对糖尿病视网膜病变进行检测和分类，以进行分割以便推荐测试和治疗预测

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

UATTA-ENS：面向 PIRC 糖尿病视网膜病变检测的不确定性感知测试时间增强集成

利用深度集成卷积神经网络分析医学图像，针对糖尿病性视网膜病变的 5 类 PIRC 分类问题，提出了一种 UATTA-ENS 不确定性感知测试时间增强集成技术，以减少诊断风险。

Nov, 2022

利用量子迁移学习进行糖尿病视网膜病变检测

利用深度学习和量子转移学习的结合，我们的混合量子模型在检测和诊断糖尿病视网膜病变方面取得了显著的结果，潜在地能够挽救许多人免于失明的风险。

May, 2024

DeepOpht：基于深度模型和视觉解释的视网膜图像医学报告生成

本研究针对视网膜疾病治疗方案提出一种基于人工智能的方法，旨在帮助眼科医生提高诊断效率和准确性。该方法包括深度神经网络模型、视网膜疾病自动诊断和临床描述生成器、DNN 可视化解释模块，并提供基于眼科医生手动标注的视网膜图像数据集进行训练和验证。实验结果表明，该方法无论是定量还是定性分析都取得了显著的效果，并成功生成了有临床意义的视网膜图像描述和可视化解释。

Nov, 2020

评估一个深度学习系统，用于联合自动检测糖尿病视网膜病变和年龄相关性黄斑变性

验证了一种商用的深度学习系统在混合眼部疾病的彩色眼底图像中同时检测糖尿病视网膜病变和年龄相关性黄斑变性的性能，结果表明该系统表现与人类专家相当，可以成为眼科专家的快速可靠支持。

Mar, 2019

使用预训练深度学习模型分类糖尿病视网膜病变

该研究提出了一种基于卷积神经网络和预训练深度学习模型的计算机辅助诊断系统，用于自动将视网膜图像分类为正常、轻度、中度、重度和增殖性糖尿病视网膜病变。实验结果表明，CNN、MobileNet、VGG-16、InceptionV3 和 InceptionResNetV2 模型的 AUC 值分别为 0.50、0.70、0.53、0.63 和 0.69。

Mar, 2024

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

糖尿病性视网膜病变疾病级别的深度学习可解释分类器

本文提出了一种可解释性分类器，旨在通过生成可解释的视觉地图对糖尿病视网膜病变病例进行分类和解释。

Dec, 2017