Jul, 2023

深度学习与计算机视觉在青光眼检测中的应用综述

PDF
TL;DR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。
发现论文，激发创造
  • 探索青光眼检测的深度学习技术：综述

    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

  • 基于眼底成像和人工智能的青光眼自动检测：综述

    该研究综述了基于人工智能的青光眼检测框架的两种主要方法，分别是基于逻辑规则和基于机器学习 / 统计建模，并重点概括了这两种方法的最新进展和瓶颈。

    Apr, 2022

  • 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

  • 利用眼部结构变化预测青光眼进展的深度学习

    利用深度学习模型，该研究探索了青光眼的结构功能关系，从结构性眼部退化中预测功能受损，并且开发出半监督时间序列算法以准确预测青光眼的进展。

    Jun, 2024

  • 深度学习模型对基层服务匮乏病人人群原发性开角型青光眼诊断的漏诊和过诊偏差评估

    通过研究 OHTS 的数据，发现传统深度学习方法可能会对具有代表性的偏见进行无意识的强化，从而导致在诊断青光眼时出现漏诊和误诊，特别是在女性年轻人和黑人老年人群体中。

    Jan, 2023

  • 人工智能在主要视网膜疾病中的应用综述

    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

  • InceptionCaps: 数据稀缺环境下高效的青光眼分类模型

    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

  • 基于视网膜图像的青光眼筛查的磁盘感知集成网络

    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

  • 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

  • 基于可解释人工智能的青光眼检测：迁移学习和 LIME

    通过与多个预训练模型的比较，本文提出了一种具有 94.71％分类准确率的转移学习模型来识别青光眼，并利用本文的 Local Interpretable Model-Agnostics Explanations (LIME) 方法来帮助医疗专业人员理解该系统的预测过程。这种改进使传统深度学习模型的不透明和脆弱性得到缓解，并为医疗专业人员提供了重要的综合信息以帮助他们做出判断。

    Oct, 2022