Jan, 2024

MMAC 2023 中近视黄斑病的自动检测：分类、分割和球面等效预测的成果

PDF
TL;DR近视黄斑变性是近视最常见的并发症，导致了病理性近视患者的视力损失，早期检测和及时治疗对预防近视黄斑病变引起的视力问题至关重要。本研究的关注点是近视黄斑病变分析挑战（MMAC），我们在任务 1 中使用对比学习框架 SimCLR 提高近视黄斑病变的分类准确性，通过有效捕捉无标签数据中丰富的特征。我们为任务 2 开发了独立的分割模型，针对不同的病变分割任务，并采用测试时增强策略进一步提高模型的性能。至于任务 3（球镜等效预测），我们根据数据集的数据分布设计了深度回归模型，并采用集成策略提高模型的预测准确性。我们取得的结果是令人期待的，并使我们在分类任务中位列前 6，在分割任务中位列前 2，在预测任务中位列第 1 位。
发现论文，激发创造
  • 用于年龄相关性黄斑变性分类的多任务深度学习模型

    针对年龄相关黄斑变性（AMD）的深度学习模型通过多任务学习技术，将基于图像的 AMD 严重程度分级自动分类，并在两个图像数据集上的评估中表现优于当前的最先进模型超过 10%。

    Dec, 2018

  • PALM：开放式黄斑图像数据集，包含病理性近视识别和解剖结构标注

    该研究提供了有关用于识别 pathologic myopia 的开放式眼底图像数据集 PALM 的信息，包括与其相关的结构注释，为该病的早期筛查以及基于人工智能的自动化诊断工具的开发提供了可能。

    May, 2023

  • 通过时域深度学习对青少年近视进行预测

    使用时间感知的长短期记忆网络，通过历史记录来定量预测成年人的球面等效度，从而更好地识别近视的进展。

    Sep, 2022

  • 采用卷积神经网络、ResNet 和 Grad-CAM 的黄斑变性感知和定位

    通过使用 CNN 和 ResNet 架构，本研究基于定位黄斑变性视网膜区域，对健康和黄斑变性视网膜进行分类，其中以 ResNet50 作为骨干结构的 CNN 模型表现最佳，该模型对 90% 训练和 10% 测试数据划分的训练准确度达到 98.7%，并通过 Grad-CAM 可视化技术得到了受影响的视网膜区域。

    Apr, 2024

  • 学习分割视网膜病变及其他

    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

  • 基于深度学习的 OCT 图像聚类用于年龄相关性黄斑变性生物标记的发现（Pinnacle 研究报告 4）

    通过对大规模视网膜光学相干断层扫描图像进行深度学习，我们提出了一种基于对比学习的生物标志物提议系统来加速年龄相关性黄斑变性的生物标志物发现，此系统超越了已建立的临床分级系统所使用的标志物集合，为进一步发现新的预后性生物标志物提供了可能。

    Mar, 2024

  • AMDNet23：一种结合基于轮廓的卷积神经网络和长短期记忆系统的诊断老年性黄斑变性方法

    基于自动化框架的疾病检测辅助医生对眼科疾病的诊断，通过自适应对比度增强和 Gamma 校正提高眼底图像的质量，使用深度学习的 AMDNet23 系统结合卷积神经网络和短期与长期记忆自动检测老年性黄斑变性疾病。研究收集了来自多个来源的数据集，经过质量评估后应用于实验，结果表明该混合深度模型对 AMD 眼底疾病的检测具有优越性能。

    Aug, 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

  • GARDNet: 色彩底片图像青光眼分类的鲁棒多视角网络

    通过图像处理和深度学习神经网络分类相结合的方法，提出了一种先进的图像预处理技术来诊断青光眼。他们的 Glaucoma Automated Retinal Detection Network（GARDNet）在 Rotterdam EyePACS AIROGS 数据集上成功测试，AUC 为 0.92，在 RIM-ONE DL 数据集上进行了额外优化和测试，AUC 为 0.9308，表现优于现有技术。

    May, 2022

  • LDMRes-Net: 通过高效图像分割实现实时疾病监测

    本研究中，我们提出了一种轻量且高效的深度学习神经网络，具有双重多重残留连接来增强分割性能，同时最大限度地减少计算成本，并在八个公开可用的视网膜图像数据集上进行了评估，取得了有前途的分割结果，显示了该建议网络用于视网膜图像分析任务方面的有效性和其在实时视网膜图像分析应用方面的潜在候选性。

    Jun, 2023