TJDR:一份高质量的糖尿病视网膜病变像素级注释数据集
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
本文提出了一种名为 “Lesion-Net” 的新型全卷积网络,通过像素级视网膜病变分割和图像级疾病分类相结合,解决了糖尿病性视网膜病变分级的三大挑战,即缺乏客观边界的病变、病变的临床重要性与其大小无关,以及病变和疾病类别之间缺乏一对一的对应关系。在一组包含 12K 张眼底图像和 8 种视网膜病变的手动标记数据集上进行了广泛实验,表明我们的方法在病变分割、病变分类和糖尿病性视网膜病变分级等多个任务上均优于现有方法。
Dec, 2019
提出一种基于集成学习的方法,该方法利用多种视网膜图像处理算法提取的特征,如显微血管瘤、渗出物等部位及黄斑、视盘等解剖结构来筛查糖尿病视网膜病变。该方法在公开的 Messidor 数据库上测试取得了 90% 的敏感性,91% 的特异性和 90% 的准确性及 0.989 的 AUC 指标,表明视网膜图像处理是一种有效的糖尿病视网膜病变筛查方法。
Oct, 2014
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
本研究提出了一种结合深度学习和手工特征的方法用于红色病变检测,通过使用 ensemble vector of descriptors 融合两者可显著提高检测效果。这种方法在 DIARETDB1、e-ophtha 和 MESSIDOR 数据库中表现最好,并且已有开源实现。
Jun, 2017
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
该研究开发并验证了一个深度学习框架,可用于检测和定量光学相干断层扫描中的玻璃体下淀粉样物和网状假性玻璃体下淀粉样物,对于 AMD 的研究和临床诊断有帮助。
Apr, 2022
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
本研究旨在开发一个增强型深度学习模型,用于诊断糖尿病视网膜病变,从而实现早期的 DR 识别和病变的检测。该模型将从视网膜图像中检测出各种病变,首先从视网膜底部图像中提取特征并进行分类,然后使用 EDLM 进行降维,并使用随机梯度下降优化器对分类和特征提取过程进行优化。在 KAG GLE 数据集上对 EDLM 的有效性进行了评估,并与 VGG16、VGG19、RESNET18、RESNET34 和 RESNET50 进行了比较。
May, 2023