本文提出了一种基于卷积神经网络的结构化预测模型,有效地解决了(DRIVE 数据集上)自动分割视网膜血管的任务,得到 95.33% 的准确率和 0.974 的 AUC 值。
Nov, 2016
本研究提出了一种基于实例分割神经网络的强大的半自动血管追踪算法,能够追踪视网膜图像中不同血管树,并保留血管层次结构信息,为后续与视网膜疾病相关的血管形态学分析铺平了道路。
Feb, 2024
利用眼底数字成像技术,通过主动学习构建了一个新的数据集,其中包含由医学生及眼科医师审查的 240 个手动分割的视网膜小动脉和小静脉,开发了一种名为 LUNet 的新型深度学习架构,用于高分辨率的动静脉分割,并证明 LUNet 在多个测试集上显著优于其他分割算法。
Sep, 2023
该研究提出了一种基于深度学习的新方法,通过 U-net 神经网络和边缘感知机制实现视网膜血管图像的血管分割,实验结果表明该方法在三个数据库上的表现可与现有的最先进方法相媲美,具有 97.99%的 AUC,并且运行时间更有效率。
Jun, 2018
我们的研究聚焦于通过检查眼底图像中的视网膜血管进行疾病的早期诊断。我们利用八个预训练的 CNN 模型进行基于深度学习的分类,同时应用了可解释的 AI 技术,如 Grad-CAM、Grad-CAM++、Score-CAM、Faster Score-CAM 和 Layer CAM。通过对多个模型进行评估,我们发现 ResNet101 具有最高的准确率(94.17%),而 EfficientNetB0 的准确率最低(88.33%)。对于图像分割,Swin-Unet 表现出 86.19% 的平均像素准确率,而 Attention U-Net 基于 DenseNet201 的准确率最低(75.87%)。
May, 2024
本文在评估了三种高性能卷积神经网络在分割遗传性视网膜病变视网膜血管图像方面的性能后,得出结论,现有的公共数据集对帮助眼科医生诊断遗传性视网膜病变所需的高性能预测模型存在一定限制,需要更加详细的数据集或更深层的模型。
Jun, 2023
通过使用 Swin-Res-Net 模型,该论文提出了一种改进视网膜血管分割的方法,提高了对显微血管的定位和分离能力,并在广泛使用的数据集上取得了出色的结果。
Mar, 2024
本研究展示了一种使用生成式对抗训练的方法,用于生成精确的视网膜血管地图,它可以用于自动检测眼底图像中视网膜疾病。
Jun, 2017
提出一种名为 MRC-Net 的多分辨率上下文网络,其中采用多尺度特征提取技术以学习语义不同特征之间的上下文依赖性,并使用双向递归学习模型前者 - 后者和后者 - 前者之间的依赖性,在对前景分割进行对抗训练的基础上进行训练,以提高分割网络的性能,同时保持可比较低的可训练参数数量。该方法在 DRIVE、STARE 和 CHASE 三个基准数据集上表现优异,与现有的竞争方法相比具有更好的性能。
Apr, 2023
提出了一种基于编码解码神经网络结构、sigmoid 平滑和自适应阈值方法的全尺度微血管提取机制,对视网膜血管分割问题进行了降低,取得了与之前研究相比具有竞争力的结果。这一性能的提升使得该解决方案更有可能应用于寻求眼科专家关注的真实诊断中心。
Nov, 2023