基于 OCT 扫描的集成学习和注意力眼疾预测
本文介绍了一种新的合奏学习机制,旨在识别受限资源(例如数据、计算)下的视网膜疾病,该机制利用了多个预训练模型的见解,有助于将它们的知识转移到视网膜光学相干断层扫描图像中,提供了一种在处理受限标记数据的情况下建立强大模型的方法,并消除了从头开始学习所需的大量参数的需求。在真实世界数据集上进行的全面实验表明,所提出的方法在识别视网膜光学相干断层扫描图像方面可以实现优越性能,即使在处理非常有限的标记数据集时也是如此。此外,这种方法消除了学习大规模参数的必要性,使其非常适合在资源有限的情景中部署。
Feb, 2024
我们的研究提出了一种自我监督的强大机器学习框架 OCT-SelfNet,用于使用光学相干断层扫描 (OCT) 图像检测眼部疾病,通过结合多个机构的数据集,采用两阶段训练方法(自我监督预训练和有监督微调),并基于 SwinV2 主干结构的遮罩自编码器解决了实际临床应用部署的问题。广泛的实验表明,我们的方法在所有测试中均获得超过 77% 的 AUC-ROC 性能,而基线模型 Resnet-50 的性能不到 54%。此外,根据 AUC-PR 指标,我们的方法达到了 42% 以上的性能,相比基线模型的 33%,性能提升了至少 10%,这显示了我们方法的潜力和在临床设置中的实用性。
Jan, 2024
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
通过识别普通眼病并进行眼部检查,本研究使用卷积神经网络和迁移学习区分正常眼睛和患有糖尿病视网膜病变、白内障或青光眼的眼睛,通过迁移学习的多分类方法,实现了 94% 的高准确率,而传统的卷积神经网络则达到了 84% 的准确率。
Jul, 2023
本研究提出一种通过疾病特定特征表征作为新颖架构,在监督编码疾病模型和无监督方式生成注意力图之间同时利用视网膜亚空间变形的理解以提高视网膜疾病分类网络精度和鲁棒性。实验结果表明所提出的联合网络可以显著提高视网膜疾病分类网络的准确性和鲁棒性。
May, 2020
本研究通过建立包含 8 种常见眼疾的数据集,使用深度神经网络进行多疾病分类的实验,发现提高网络规模不能为多疾病分类带来好结果,需要采用良好结构的特征融合方法。
Feb, 2021
提出了一种利用非配对的眼底图像增强光学相干断层扫描模型的新方法,用于眼底疾病分类,实验结果证明该方法优于单模态、多模态和最先进的蒸馏方法。
Aug, 2023
设计了一个混合模型,结合了支持向量机和深度神经网络,使用一个包含 32 种视网膜疾病类型的新临床视网膜标签库 EyeNet,实现了对视网膜疾病的 89.73% 的自动临床诊断准确率,并且该模型的性能与专业的眼科医生的水平相当。
Jun, 2018
提出基于深度学习的神经网络来校正 OCT 图像中的运动伪影,并在实验中表明该方法可以有效地校正运动伪影,恢复视网膜的整体曲率,并能够推广到各种疾病和分辨率。
May, 2023
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