Dec, 2023

OCTDL：用于基于图像的深度学习方法的光学相干断层扫描数据集

PDF
TL;DR该研究使用光学相干断层扫描（OCT）技术，建立了一个开放数据集（OCTDL），其中包含 1600 多幅高分辨率 OCT 图像，针对疾病组和视网膜病理进行了标记。通过应用深度学习分类技术，对该数据集进行了疾病分类的研究。
发现论文，激发创造
  • 使用光学相干层析成像和血管造影自动诊断阿尔茨海默病的调查

    本研究对视网膜光学相干断层扫描技术与深度学习算法在阿尔茨海默病和认知损害的自动化诊断方面的应用进行了系统性综述，发现开放的阿尔茨海默病相关光学相干断层扫描数据集的不足是制约该领域进展的主要问题。

    Sep, 2022

  • RetiNet: OCT 体数据中自动识别 AMD

    本研究提出了一种基于卷积神经网络的半监督学习方法，利用光学相干断层扫描成像技术对视网膜疾病进行自动识别，并取得了良好的效果。

    Oct, 2016

  • 少即是多：有限资源下的视网膜疾病识别的集成学习

    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

  • 基于眼底增强视网膜疾病感知蒸馏模型的 OCT 图像视网膜疾病分类

    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

  • ReLayNet：使用完全卷积网络对黄斑区光学相干断层扫描的视网膜层和液体分割

    本文提出了一种新的完全卷积深度学习结构，称为 ReLayNet，用于视网膜层和液态物质在眼科 OCT 扫描中的端到端分割，通过联合损失函数验证其有效性，并与五种最先进的分割方法进行比较。

    Apr, 2017

  • 利用视网膜 OCT 图像预测心血管疾病风险

    通过自主学习的变分自编码器 (VAE) 在光学相干断层扫描 (OCT) 图像中学习低维表示，并结合参与者的人口统计学和临床数据，使用随机森林 (RF) 分类器来识别未来心血管疾病风险，其性能较 QRISK3 评分更优，证明视网膜 OCT 成像是一种经济高效的非侵入性方法来预测心血管疾病风险。

    Mar, 2024

  • DRAC：基于超广角光学相干断层扫描血管造影图像的糖尿病视网膜病变分析挑战

    此研究总结并分析了利用超广角 OCTA 图像分析糖尿病视网膜病变的 DRAC (Diabetic Retinopathy Analysis Challenge) 竞赛。结果表明，数据增强、模型架构和网络的集成对于改善深度学习模型的性能至关重要。

    Apr, 2023

  • DISCOVER: 光学相干断层扫描血管造影的 2D 多视图总结用于自动糖尿病性视网膜病变诊断

    该研究使用光学相干断层扫描血管造影技术（OCTA）对糖尿病视网膜病变进行自动评估，通过优化的二维摘要和分类流程，提供了比三维分类更好、更易解释的结果。

    Jan, 2024

  • 基于贝叶斯深度学习的光学相干层析成像视网膜层联合分割和不确定性可视化

    该论文提出了一种基于贝叶斯深度学习的视网膜层分割和不确定性量化方法，其不仅可以进行视网膜层的端对端分割，而且还可以提供像素级的不确定性度量。通过生成的不确定性地图，可以识别出错误分割的图像区域，从而用于下游分析。该方法在视网膜图像分割方面具有可比或更好的性能，并且更加稳健抗噪声。

    Sep, 2018

  • 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