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
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
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
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
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
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
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
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
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