Aug, 2023

预测生成治疗后新血管形成型年龄相关性黄斑变性的单视野疾病演变学习

PDF
TL;DR提出了一种用于预测治疗后视网膜黄斑变性的 OCT 图像的单视角疾病演变网络 (SHENet)，通过输入治疗前的 OCT 图像，将其转化为深层特征，然后预测疾病演变过程，最后通过特征解码器生成治疗后的 OCT 图像。SHENet 在预测性能和图像质量方面表现卓越，具有帮助眼科医生预测 nAMD 治疗效果的潜力。
disease predictionmedical image processingshenetneovascular age-related macular degenerationsd-oct images
发现论文，激发创造
  • Optic-Net：一种新型卷积神经网络用于诊断光学断层扫描图像中的视网膜疾病

    本研究提出一种卷积神经网络架构，能够成功区分不同视网膜层的退化以及其潜在的疾病原因，准确率达到 99.8%，100%。此外，这种架构可以实时预测视网膜疾病，同时表现优于人类诊断医师。

    Oct, 2019

  • AMDNet23：一种结合基于轮廓的卷积神经网络和长短期记忆系统的诊断老年性黄斑变性方法

    基于自动化框架的疾病检测辅助医生对眼科疾病的诊断，通过自适应对比度增强和 Gamma 校正提高眼底图像的质量，使用深度学习的 AMDNet23 系统结合卷积神经网络和短期与长期记忆自动检测老年性黄斑变性疾病。研究收集了来自多个来源的数据集，经过质量评估后应用于实验，结果表明该混合深度模型对 AMD 眼底疾病的检测具有优越性能。

    Aug, 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

  • 生成人工智能在眼科学中的应用：使用卷积神经网络进行多模态视网膜图像诊断阿尔茨海默病

    用多模态视网膜成像和卷积神经网络预测淀粉样蛋白阳性发射计算机断层扫描（AmyloidPET）状态，并通过合成数据预训练以提高性能。

    Jun, 2024

  • 基于时间依赖型 Cox 生存神经网络的动态预测

    该研究提出了一种基于时间依赖的 Cox 模型和神经网络的眼病动态预测方法，并在 AMD 和 PBC 等数据集上得到了令人满意的预测效果。

    Jul, 2023

  • 用于年龄相关性黄斑变性分类的多任务深度学习模型

    针对年龄相关黄斑变性（AMD）的深度学习模型通过多任务学习技术，将基于图像的 AMD 严重程度分级自动分类，并在两个图像数据集上的评估中表现优于当前的最先进模型超过 10%。

    Dec, 2018

  • 利用基于 Transformer 的序列建模技术，挖掘纵向医学成像在眼部疾病预后中的潜力

    该研究使用深度学习技术从长期的医学图像中对年龄相关性黄斑变性和原发性开角型青光眼进行动态预测，取得了显著的成果。

    May, 2024

  • DeepOpht：基于深度模型和视觉解释的视网膜图像医学报告生成

    本研究针对视网膜疾病治疗方案提出一种基于人工智能的方法，旨在帮助眼科医生提高诊断效率和准确性。该方法包括深度神经网络模型、视网膜疾病自动诊断和临床描述生成器、DNN 可视化解释模块，并提供基于眼科医生手动标注的视网膜图像数据集进行训练和验证。实验结果表明，该方法无论是定量还是定性分析都取得了显著的效果，并成功生成了有临床意义的视网膜图像描述和可视化解释。

    Nov, 2020

  • 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

  • 时间上下文的重要性：用疾病进展表示增强单张图像预测

    通过时间性影像对临床结果或疾病严重性进行预测，利用自我注意力的 TCN 和自监督的视觉 Transformer 来学习最反映疾病轨迹的表示，并使用最大均值差异损失来校准时间和空间特征的分布以提高预测性能。

    Mar, 2022