Jul, 2023

纵向OCT研究中与AMD相关的萎缩的同时基于柱状深度学习的进展分析

HTML
PDF
TL;DR自动检测和量化与AMD相关的视网膜萎缩变化的同时列基于方法准确且超过独立分类方法。
发现论文，激发创造
  • RetiNet: OCT 体数据中自动识别 AMD

    本研究提出了一种基于卷积神经网络的半监督学习方法，利用光学相干断层扫描成像技术对视网膜疾病进行自动识别，并取得了良好的效果。

    Oct, 2016

  • DeepSeeNet：一种深度学习模型，用于自动分类基于患者色视网膜照片的年龄相关性黄斑变性严重程度

    DeepSeeNet是一种基于深度学习的系统，使用双眼CFP图像来自动分类患者的年龄相关性黄斑变性病情，并通过AREDS简化严重程度评分患者级别，并表现出比视网膜专家更高的分类精度和透明度。

    Nov, 2018

  • 利用解剖分割的认知不确定性进行视网膜OCT异常检测

    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

  • ReLaX: 用于自动视网膜层面分类的引导解释的视网膜层面归因

    本论文提出了一种新的深度学习框架ReLaX，用于解释性和准确的视网膜病理分类，通过热图和OCT分割模型结合以确定每个视网膜层的重要性，并产生丰富的定性和定量模型解释，该模型结合了在精度和可解释性方面的优势，提高了患者的视网膜疾病诊断水平。

    Sep, 2021

  • 区域深度萎缩：一种自监督学习方法，用于从纵向磁共振成像中自动识别与阿尔茨海默病进展有关的区域

    通过结合时间推断、可变形配准神经网络和注意力机制，本文提出了区域性深度萎缩（RDA）方法用于通过MRI图像监测神经退行性疾病（如阿尔茨海默病）的病程变化，同时提供了解释性更强的研究结果。

    Apr, 2023

  • Morph-SSL：使用纵向形态变化的自监督方法，从OCT中预测AMD的进展

    本文提出了一种基于深度学习和自监督学习方法的新型算法，能够自动预测中间期黄斑部病变眼对未来6个月内是否会发展为nAMD进行转化的风险，并取得了较好的预测效果，这种自动化的预测方法可以帮助及时治疗和个体化AMD管理。

    Apr, 2023

  • OCT拍摄的不同视网膜区域用于中度AMD分类的比较

    通过对一定区域感兴趣的视网膜(OCT)数据进行部分输入，即限制输入B扫描到特定的ROI，研究是否有可能区分中间年龄相关性黄斑变性(AMD)和健康对照组。通过训练使用VGG16架构和在ImageNet上预训练的卷积神经网络，可以有高精度地识别出这些ROIs， 从而实现了对AMD分类的高准确性。

    May, 2023

  • 基于深度学习的OCT图像聚类用于年龄相关性黄斑变性生物标记的发现（Pinnacle研究报告4）

    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

  • 利用平行超平面预测纵向视网膜OCT中的疾病进展

    本研究解决了从医学影像预测未来疾病进展风险的难题，特别是在患者异质性和潜在影像生物标志物方面的挑战。文章提出了一种新颖的深度学习方法，通过平行超平面的联合预测，精确估计晚期干性年龄相关性黄斑变性（dAMD）的发作风险。结果显示，在不同扫描仪获取的两大数据集上，模型在6、12和24个月的预测间隔内取得了平均AUROC值达0.82和0.83，表明该方法具有良好的预测能力和应用潜力。

    Sep, 2024

  • 基于平行超平面的纵向视网膜OCT疾病进展预测

    本文针对医疗图像中患者异质性及成像生物标志物的不足，提出一种新型深度学习方法，以预测晚期干性年龄相关性黄斑变性（dAMD）的发作风险。该方法通过参数化偏置项为时间函数，使用平行超平面生成风险评分，确保预测一致性，并在不同扫描仪的数据集上展现良好性能，AUROC达到0.82和0.83。

    Sep, 2024