Aug, 2023

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

PDF
TL;DR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。
automated frameworkdisease detectionocular diseasesdeep learningmacular degeneration
发现论文，激发创造
  • 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

  • 评估一个深度学习系统，用于联合自动检测糖尿病视网膜病变和年龄相关性黄斑变性

    验证了一种商用的深度学习系统在混合眼部疾病的彩色眼底图像中同时检测糖尿病视网膜病变和年龄相关性黄斑变性的性能，结果表明该系统表现与人类专家相当，可以成为眼科专家的快速可靠支持。

    Mar, 2019

  • 采用卷积神经网络、ResNet 和 Grad-CAM 的黄斑变性感知和定位

    通过使用 CNN 和 ResNet 架构，本研究基于定位黄斑变性视网膜区域，对健康和黄斑变性视网膜进行分类，其中以 ResNet50 作为骨干结构的 CNN 模型表现最佳，该模型对 90% 训练和 10% 测试数据划分的训练准确度达到 98.7%，并通过 Grad-CAM 可视化技术得到了受影响的视网膜区域。

    Apr, 2024

  • 松弛对训练的多模态 AMD 分类双流 CNN

    本研究提出了一种基于多模态输入的卷积神经网络自动分类年龄相关性黄斑变性的方法，并通过 Loose Pair 训练和类激活映射技术进行了优化，实验证明了该方法在多模态 AMD 分类方面的可行性。

    Jul, 2019

  • 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

  • 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

  • 基于眼底图像的白内障检测的 CNN-LSTM 组合网络

    本研究利用 CNN-LSTM 模型结构从眼底图像中诊断出正常或白内障眼病例，该模型在 ODIR 数据集上测试的准确率高达 97.53％，由此有望为眼科疾病的诊断提供快速和可靠的解决方案。

    Oct, 2022

  • 融合的卷积神经网络和长短期记忆模型用于从 MRI 扫描中改进阿尔茨海默病的诊断

    该研究旨在提出一种混合模型，将卷积神经网络模型的特征提取能力与长短期记忆模型的检测能力结合起来，通过应用转移学习中的 VGG16 从 MRI 图像中提取特征，并使用软最大函数对完全连接层的输出层进行分类，成功地检测出阿尔茨海默病，并取得了 98.8% 的准确率，100% 的敏感性和 76% 的特异性。该提出的混合模型在性能上超过了其 CNN 对手，展现出卓越的性能。

    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

  • 糖尿病视网膜病变特征提取和分类的卷积神经网络模型

    应用人工智能技术于医疗市场在及时诊断类似糖尿病视网膜病变这类悄无声息的疾病方面引发了日益关注，我们通过提出一种新型的卷积神经网络模型，借助眼底图像作为输入，可以识别到糖尿病视网膜病变的严重程度，并通过卷积层对微小动脉瘤、棉絮斑、渗出物和出血等四种已知视网膜病变特征进行分类，能够提供准确的诊断结果并且不需要额外用户输入，我们提供了初步结果表明灵敏度为 97% 准确性为 71%，我们的贡献在于提供了一种可解释性更强且与更复杂模型具有相似准确性的模型，我们的模型推动了糖尿病视网膜病变检测领域的发展，是向以人工智能为重点的医学诊断迈进的重要一步。

    Oct, 2023