Nov, 2023

人工智能在主要视网膜疾病中的应用综述

PDF
TL;DR通过对过去十年的研究进行系统调查，本文提供了一个关于导致视觉障碍或失明的视网膜疾病的体系化调研，强调了早期检测对有效治疗的重要性。它涵盖了检测视网膜疾病的临床和自动化方法，并基于对现有文献的批判性分析确定了未来的研究方向。这一综合研究以不同模态的临床和自动化检测方法为基础，具有独特的范围。此外，该调查对于对数字性视网膜病感兴趣的研究人员，将作为一份有益的指南。
发现论文，激发创造
  • 人工智能与糖尿病：透过视网膜深入了解

    通过综合评估与糖尿病病症相关的视网膜图像、风险预测并探讨伦理、数据隐私等问题，基于人工智能技术的视网膜图像分析有潜力成为糖尿病患者现代个性化医学的核心工具。

    Feb, 2024

  • 通过眼底图像评估心血管疾病和风险因素的人工智能：过去十年的回顾

    应用人工智能与深度学习技术结合视网膜成像，实现心血管疾病早期检测和诊断的研究概览。

    Nov, 2023

  • 深度学习与计算机视觉在青光眼检测中的应用综述

    该研究通过调查最近的研究，使用眼底图像、光学相干断层扫描和视野图像等方法基于人工智能的青光眼诊断，特别关注利用深度学习的方法。研究提供了最新的分类法，并包含可用源代码的链接，以提高研究方法的可重复性。通过对广泛使用的公共数据集进行严格的基准测试，揭示了在普适性、不确定性估计和多模态集成方面的性能差距。此外，调查展示了关键数据集和限制，如规模、标签不一致性和偏见。我们描述了未来研究的开放性挑战并详细阐述了有前景的方向。此调查旨在对希望将进展转化为实践的人工智能研究人员以及希望利用最新人工智能成果改善临床工作流程和诊断的眼科医生有所帮助。

    Jul, 2023

  • 基于算法的糖尿病视网膜病变诊断应用

    描述了一种包括眼科学图像的处理和分析的自动糖尿病视网膜病变诊断方法，使用形态学算法来识别视盘和特征病变，通过神经网络和深度学习算法对眼科图像进行分析，提高疾病早期检测的效率。

    Dec, 2023

  • 人工智能在早产儿视网膜病变中的当前和未来作用

    基于 89 个原始研究的综合分析，我们得出结论，传统的 ROP 诊断方法存在主观性和手动分析的问题，导致临床决策不一致。人工智能在改善 ROP 管理方面有巨大的潜力。本综述研究了人工智能在 ROP 检测、分类、诊断和预后方面的潜力。

    Feb, 2024

  • 基于眼底成像和人工智能的青光眼自动检测：综述

    该研究综述了基于人工智能的青光眼检测框架的两种主要方法，分别是基于逻辑规则和基于机器学习 / 统计建模，并重点概括了这两种方法的最新进展和瓶颈。

    Apr, 2022

  • 探索青光眼检测的深度学习技术：综述

    近期的研究发现，深度学习算法在自动生成眼底图像特征以检测青光眼方面具有潜力，本文综述了目前应用于青光眼分割、分类和检测的前沿深度学习方法，评估了这些技术的有效性和局限性，突出了关键发现并指出了进一步研究的潜在领域。深度学习算法的运用有望显著提高青光眼检测的效果、实用性和准确性，该研究结果对于自动青光眼检测的持续发展具有重要意义，能够改善患者预后并减轻全球青光眼的疾病负担。

    Nov, 2023

  • 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

  • 自动化基于智能手机的糖尿病视网膜病变诊断系统

    利用智能手机实现离线自动对糖尿病性视网膜病变进行检测和分类的方法，结合 Inception 卷积神经网络和二分决策树分类器的集成分类器。

    Apr, 2020

  • 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