Feb, 2024

少即是多：有限资源下的视网膜疾病识别的集成学习

PDF
TL;DR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。
retinal optical coherence tomographydeep learning-based approachesensemble learning mechanismlimited resourcesrecognizing retinal diseases
发现论文，激发创造
  • 基于 OCT 扫描的集成学习和注意力眼疾预测

    提出了一种利用机器学习和深度学习技术进行眼部疾病预测的端到端网络应用，通过对患者的 OCT 扫描图像进行分割和分类，实现眼部疾病的高效检测，对早期发现和及时干预具有重要意义。

    Nov, 2023

  • OCT-SelfNet: 用于广义和稳健视网膜疾病检测的自监督多模态数据框架

    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

  • 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

  • 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

    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。

    Dec, 2023

  • 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

  • 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

  • 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

  • 一种基于集成模型的糖尿病视网膜病变自动筛查系统

    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

  • 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

  • DeepOpht：基于深度模型和视觉解释的视网膜图像医学报告生成

    本研究针对视网膜疾病治疗方案提出一种基于人工智能的方法，旨在帮助眼科医生提高诊断效率和准确性。该方法包括深度神经网络模型、视网膜疾病自动诊断和临床描述生成器、DNN 可视化解释模块，并提供基于眼科医生手动标注的视网膜图像数据集进行训练和验证。实验结果表明，该方法无论是定量还是定性分析都取得了显著的效果，并成功生成了有临床意义的视网膜图像描述和可视化解释。

    Nov, 2020