Jul, 2023

镜下超广角病房视网膜成像研究中的自动伪影检测 —— 以镰状细胞贫血患者为例

PDF
TL;DR本研究开发了一种基于神经网络的自动化算法，识别常见的超广角眼底照相术图像伪影，具有潜在的用于提高疾病检测质量和效率的应用价值。
ultra-widefield fundus photographyautomated artifact detection algorithmneural networksickle cell retinopathytele-retinal screening
发现论文，激发创造
  • 使用深度学习在超广角眼底图像中检测多种视网膜疾病：数据驱动相关区域识别

    我们使用全局可解释性方法建立了一个多疾病的深度学习模型来检测超广角成像中的视网膜疾病，发现在这些图像中最重要的区域是后极区域，只利用后极区域周围 10% 的图像即可实现与使用整个图像相当的性能。

    Mar, 2022

  • 利用 UWF-CFP 和 OCTA 图像的深度多模态融合改进自动糖尿病性视网膜病变严重程度分类

    通过结合超广角彩色眼底照相和光学相干断层扫描血管造影成像技术，该研究提出了一种新的多模态方法，显著增强了糖尿病视网膜病变的分类性能，有望帮助更准确地早期检测糖尿病视网膜病变，改善患者的临床预后。

    Oct, 2023

  • UWAFA-GAN：多尺度生成与注册增强的超广角荧光血管造影转化

    通过使用多尺度生成器和注重传递模块的新型有条件生成对抗网络 (UWAFA-GAN)，从 UWF-SLO 合成 UWF-FA，该方法在诊断可靠性方面与真实图像相媲美。

    May, 2024

  • 基于跨域合作学习的宽视野眼底图像多种眼底疾病识别

    该研究提出了一种基于 Cross-domain Collaborative Learning 的多种视网膜疾病从广视野和超广视野眼底图像中识别的方法，并在多个数据集上与其它基线模型进行比较。

    May, 2023

  • UWAT-GAN：超广角多尺度生成对抗网络用于眼底荧光血管造影合成

    本文提出了一种新颖的条件生成对抗网络（UWAT-GAN），用于从 UWF-SLO 中合成 UWF-FA，通过使用多尺度生成器和融合模块来更好地提取全局和局部信息，我们的模型能够生成高分辨率图像，并且提出了一种注意传输模块来帮助解码器进行有效学习。实验结果表明，UWAT-GAN 优于现有的方法。源代码可以在此 URL 获得。

    Jul, 2023

  • REFUGE 挑战赛：基于眼底照片的青光眼自动化评估方法统一框架

    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

  • GARDNet: 色彩底片图像青光眼分类的鲁棒多视角网络

    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

  • 基于超广角眼底图像的无源主动领域自适应糖尿病视网膜病变分级

    本研究提出了一种新颖的无源主动域适应方法 (SFADA)，通过生成具有不断演化的 DR 关系特征的彩色眼底图像，通过局部表示匹配主动选择一些有价值的 UWF 眼底图像进行标注，并利用 DR 病变原型在 UWF 眼底图像上进行模型适应。实验结果表明，与基准方法相比，我们提出的 SFADA 在 DR 分级性能上达到了最先进的水平，准确率提高了 20.9%，加权 kappa 系数提高了 18.63%，分别达到了 85.36% 和 92.38%。这些研究结果显示了我们方法在实际临床实践中的潜力。

    Sep, 2023

  • 利用全扫描图像进行自动诊断的组织伪影分割与严重程度分析

    提出了一种利用卷积神经网络的系统，结合了严重程度评估与伪影检测，通过使用 DoubleUNet 对伪影进行分割以及六个微调后的卷积神经网络模型来确定伪影的严重程度，该方法在伪影分割方面的准确性较当前技术领先水平提高了 9%，在伪影的严重程度评估方面与病理学家的评估结果具有 97% 的强相关性，而且该系统在异构数据集上表现出良好的鲁棒性，并且与自动分析系统集成后可以得到实际的应用性。

    Jan, 2024

  • 自我监督的机器学习在医疗专家匮乏的多种眼底疾病诊断中的应用

    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