May, 2023

JOINEDTrans: 先验引导的多任务转换器，用于联合视乳头 / 杯分割和黄斑检测

PDF
TL;DR本文提出一个基于先验引导的多任务变压器框架 (JOINEDTrans) 用于实现视网膜象限的联合识别和视准线检测任务，并将其成功应用于公开数据集 GAMMA、REFUGE 和 PALM 中，明显优于现有的基于深度学习的图像分割和检测方法。
deep learningimage segmentationfovea detectionprior guidedmulti-task transformer framework
发现论文，激发创造
  • UT-Net: 结合 U-Net 和 Transformer 进行联合视盘和杯分割及青光眼检测

    本文提出了一种新的分割方法 UT-Net，结合了 U-Net 和 transformer，采用注意力机制，提高了对视网膜图像中视盘和视杯的分割准确度，并在三个数据集上验证了其优越性。

    Mar, 2023

  • 基于多标签深度网络和极坐标变换的联合视盘和杯膜分割

    本文提出了 M-Net，这是一种深度学习架构，可以在一个多标签系统中联合解决视盘和视杯分割的问题，并使用极坐标变换进一步提高了分割性能。实验结果表明，所提出的方法在 ORIGA 数据集上取得了最先进的视盘和视杯分割效果，同时还在 ORIGA 数据集和 SCES 数据集上获得了令人满意的青光眼筛查表现。

    Jan, 2018

  • ODFormer：利用 Transformer 进行视网膜底片图像语义分割以实现视神经盘检测

    我们提出了一种基于 Swin Transformer 架构的 ODFormer 网络，旨在增强特征之间的相关信息提取，从而提高视神经盘检测的泛化能力。实验结果表明，我们的 ODFormer 在视神经盘检测方面优于其他所有方法。此外，我们发布了 TongjiU-DCOD 数据集，这是一个多分辨率混合视网膜图像数据集，包含用不同分辨率的两种类型的视网膜相机捕获的 400 个视网膜图像，并附有视神经盘的标注。我们还建立了一个基准来全面评估用于语义分割的最新网络在视神经盘检测方面的性能。

    Apr, 2024

  • 基于 Patch 的输出空间对抗学习用于联合视盘和杯割取

    本文通过引入一种新的、基于补丁的输出空间对抗学习框架（pOSAL），从不同的视网膜图像数据集中联合、稳健地分割视乳头（OD）和杯状视网膜（OC），并通过对三个公共视网膜视网膜图像数据集的全面评估证明其有效性，特别是在 Glaucoma Challenge 竞赛中取得了 OD 和 OC 分割任务的第一名。

    Feb, 2019

  • 基于重建驱动动态细化的无监督域自适应方法，用于联合视盘和杯分割

    提出了一种名为 RDR-Net 的无监督领域自适应方法，用于对靶向不同医疗中心的视网膜图像进行光盘和光杯分割，其包括三个模块以缓解领域差距。经过在四个公共数据集上的评估，该方法在分割性能和泛化能力方面均优于竞争模型。

    Apr, 2023

  • 基于空间感知 Transformer-GRU 框架的增强型青光眼诊断从 3D OCT 成像

    提出了一种新颖的深度学习框架，基于 3D 光学相干断层扫描（OCT）成像进行自动青光眼检测，取得了优于现有方法的表现，为提高临床决策支持系统和改善青光眼管理患者预后提供了重要潜力。

    Mar, 2024

  • EyeLoveGAN：利用循环 GAN 的领域偏移来提升网络学习

    本文使用卷积神经网络，包括 U-Net，InceptionV3 和叠层沙漏网络，针对 REFUGE 2020 的三项任务，视盘和杯的分割，青光眼的分类和中心凹的定位进行研究。为了增强性能，使用了 cycleGANs 来进行域漂移。

    Mar, 2022

  • 基于视觉转换器的彩色底片对光明眼：青光眼筛查

    利用视觉变换器的 Brighteye 方法进行青光眼检测，其中光盘检测提高了对青光眼检测的敏感性和对青光性特征分类的准确性。

    May, 2024

  • 利用联合注意力网络提高视网膜变性光学相干断层扫描图像的鲁棒性能

    本研究提出一种通过疾病特定特征表征作为新颖架构，在监督编码疾病模型和无监督方式生成注意力图之间同时利用视网膜亚空间变形的理解以提高视网膜疾病分类网络精度和鲁棒性。实验结果表明所提出的联合网络可以显著提高视网膜疾病分类网络的准确性和鲁棒性。

    May, 2020

  • 基于边界和熵驱动的对抗学习在眼底图像分割中的应用

    本文提出了一种无监督域自适应框架（称为边界和熵驱动的对抗学习（BEAL）），通过对抗性学习来改进靶域的光盘和杯分割性能，特别是在模糊边界区域。结果表明，我们的方法优于现有的无监督域适应方法。

    Jun, 2019