Sep, 2023

CauDR：基于因果推理的视网膜底部场景通用框架用于糖尿病视网膜病变分级

PDF
TL;DR通过引入因果分析中的双操作到模型架构中，本文提出了一种新颖的通用结构因果模型（SCM），用于分析视网膜成像中的假相关性，并在此基础上发展了一种名为 CauDR 的因果关联性糖尿病视网膜病变分级框架，以消除假相关性并实现更具普适性的糖尿病视网膜病变诊断。结果表明 CauDR 具有高效性和最新技术水平的表现。
diabetic retinopathycomputer-aided dr grading systemdeep learning-based algorithmsstructural causal modelcaudr
发现论文，激发创造
  • 走向非已知领域中的通用糖尿病视网膜病变分级

    糖尿病视网膜炎分级的关键在于深度学习，解决分布差异问题。

    Jul, 2023

  • 糖尿病视网膜病变分类中对未见过的领域进行泛化

    通过利用 ViT 中的预测软化机制实现视觉转换器自我蒸馏，我们提出了一种简单而有效的领域泛化方法，用于自动糖尿病视网膜病变分类。通过在具有不同 ViT 骨干结构的多源和单源 DG 设置下进行广泛的实验，我们证明了我们的方法在 DR 分类中的有效性和适用性，并展示出比其他方法更好的校准性能，适用于包括医疗保健在内的安全关键应用。希望我们的贡献能够推动医学影像社区更多的 DG 研究。

    Oct, 2023

  • DR|GRADUATE：基於深度學習且考慮不確定性的糖尿病視網膜病變評估方法

    DR | GRADUATE 是一种基于深度学习人工智能的糖尿病性视网膜病变筛查辅助诊断系统，它采用高斯抽样的方法进行多实例学习，并根据显著性地图和预测不确定性来支持决策，该系统能够在不熟悉的医学图像数据类型上进行异常检测和诊断，因此在糖尿病性视网膜病变的严重程度分级中具有重要的潜在作用。

    Oct, 2019

  • DRStageNet：由眼底图像进行的糖尿病视网膜病变分级的深度学习

    糖尿病视网膜病变是糖尿病的常见并发症，与视力丧失的显著风险相关。在这项研究中，我们提出了 DRStageNet，这是一个用于处理分布转换问题的深度学习模型，通过引入多源领域微调策略来提高 DR 分期算法的泛化性能，并展示了与其他基准模型的优越性能。

    Dec, 2023

  • 通过变分自动编码器在糖尿病视网膜病变领域跨领域泛化

    通过探索变分自动编码器在眼底图像的潜在空间中解耦的内在能力，本研究旨在获取一种更强大适应不同 DR 数据集中遇到的领域转换的域不变表示方法，以提高该模型在广泛临床环境中的适用性，并证明其能够通过简单方法优于现有先进技术，挑战了对于 DR 分类高度复杂方法更优的普遍假设，强调了考虑简单方法并将其适应于医学图像的泛化任务的重要性。

    Sep, 2023

  • 基于超广角眼底图像的无源主动领域自适应糖尿病视网膜病变分级

    本研究提出了一种新颖的无源主动域适应方法 (SFADA)，通过生成具有不断演化的 DR 关系特征的彩色眼底图像，通过局部表示匹配主动选择一些有价值的 UWF 眼底图像进行标注，并利用 DR 病变原型在 UWF 眼底图像上进行模型适应。实验结果表明，与基准方法相比，我们提出的 SFADA 在 DR 分级性能上达到了最先进的水平，准确率提高了 20.9%，加权 kappa 系数提高了 18.63%，分别达到了 85.36% 和 92.38%。这些研究结果显示了我们方法在实际临床实践中的潜力。

    Sep, 2023

  • 使用预训练深度学习模型分类糖尿病视网膜病变

    该研究提出了一种基于卷积神经网络和预训练深度学习模型的计算机辅助诊断系统，用于自动将视网膜图像分类为正常、轻度、中度、重度和增殖性糖尿病视网膜病变。实验结果表明，CNN、MobileNet、VGG-16、InceptionV3 和 InceptionResNetV2 模型的 AUC 值分别为 0.50、0.70、0.53、0.63 和 0.69。

    Mar, 2024

  • DR-GAN：糖尿病视网膜病变图像精细病变合成的条件生成对抗网络

    本文提出了一种通过生成对抗网络合成高质量的视网膜图像，以更有效地增加数据规模用于训练糖尿病性视网膜病变严重程度和病变分割模型的方法，并在多个数据集上进行了验证。

    Dec, 2019

  • 基于重建驱动动态细化的无监督域自适应方法，用于联合视盘和杯分割

    提出了一种名为 RDR-Net 的无监督领域自适应方法，用于对靶向不同医疗中心的视网膜图像进行光盘和光杯分割，其包括三个模块以缓解领域差距。经过在四个公共数据集上的评估，该方法在分割性能和泛化能力方面均优于竞争模型。

    Apr, 2023

  • 应用深度学习算法对糖尿病视网膜病变进行检测和分类，以进行分割以便推荐测试和治疗预测

    这项研究探讨了糖尿病视网膜病变（DR）这个潜在导致失明的糖尿病严重并发症。利用卷积神经网络（CNNs）进行迁移学习的提出的方法，通过一张眼底照片实现自动 DR 检测，在 APTOS 2019 获盲视检测竞赛中取得了高达 0.92546 的二次加权 Kappa 分数。研究回顾了关于 DR 检测的现有文献，从经典计算机视觉方法到深度学习方法，特别关注 CNNs。它发现了研究中的空白，强调了在整合预训练的大型语言模型和分割图像输入以生成建议和了解网络应用环境中的动态交互方面的不足。目标包括制定全面的 DR 检测方法、探索模型整合、通过竞赛排名评估性能、在 DR 检测方法方面做出显著贡献，并确定研究中的空白。该方法涉及数据预处理、数据增强以及使用 U-Net 神经网络架构进行分割。U-Net 模型有效地分割视网膜结构，包括血管、硬性和软性渗出物、出血、微血管瘤和眼盘。在 Jaccard 系数、F1 得分、召回率、精确率和准确度方面的高评价分数凸显了该模型在视网膜病理评估中提升诊断能力的潜力。这项研究的成果有望通过及时诊断和干预来改善糖尿病视网膜病变患者的预后，对医学图像分析领域做出重要贡献。

    Jan, 2024