Feb, 2024

基于多尺度时空变换的不平衡纵向学习，用于从不规则时间序列图像预测青光眼

PDF
TL;DR青光眼预测的研究引入了基于变压器架构的多尺度时空变换网络 (MST-former)，针对时序图像输入进行了特定设计，可以在时空维度上有效地学习图像的语义信息；在不规则采样数据方面，引入了时间距离矩阵来非线性地缩放时间注意力；此外，通过温度控制的平衡 Softmax 交叉熵损失函数解决了类别不平衡问题。实验结果表明，MST-former 方法在青光眼预测方面表现出卓越的优势，AUC 值达到 98.6%；在阿尔茨海默病神经成像倡议 (MRI) 数据集上，对轻度认知损害和阿尔茨海默病的预测准确率为 90.3%，明显优于对比方法。
glaucomaforecastingmulti-scale spatio-temporal transformer networkimbalanced class distributionalzheimer's disease neuroimaging initiative
发现论文，激发创造
  • 利用基于 Transformer 的序列建模技术，挖掘纵向医学成像在眼部疾病预后中的潜力

    该研究使用深度学习技术从长期的医学图像中对年龄相关性黄斑变性和原发性开角型青光眼进行动态预测，取得了显著的成果。

    May, 2024

  • 基于空间感知 Transformer-GRU 框架的增强型青光眼诊断从 3D OCT 成像

    提出了一种新颖的深度学习框架，基于 3D 光学相干断层扫描（OCT）成像进行自动青光眼检测，取得了优于现有方法的表现，为提高临床决策支持系统和改善青光眼管理患者预后提供了重要潜力。

    Mar, 2024

  • 哈佛青光眼检测与进展：多模态多任务数据集和强化泛化的半监督学习

    青光眼是全球不可逆盲的主要原因。本研究针对有限的带有最先进的光学相干断层扫描（OCT）3D 视网膜成像数据的标记患者的瓶颈问题，提出两种解决方案。首先，我们开发了一种新型的广义增强半监督学习（SSL）模型，称为伪监督器，以最佳方式利用无标签数据。与最先进的模型相比，所提出的伪监督器通过预测未标记样本的伪标签来优化策略，以提高经验概括能力。我们的伪监督器模型通过进行青光眼检测和进展预测两个临床任务进行评估。进展预测任务以单模态和多模态方式进行评估。我们的伪监督者模型表现出优于最先进 SSL 比较模型的性能。此外，我们的模型在公开可用的 LAG 眼底数据集上也取得了最佳结果。其次，我们引入了哈佛青光眼检测和进展（Harvard-GDP）数据集，这是一个多模态多任务数据集，包括来自 1,000 例患者的 OCT 成像数据，以及青光眼检测和进展的标签。这是一个拥有 3D OCT 成像数据的最大的青光眼检测数据集，也是公开可用的第一个青光眼进展预测数据集。我们提供了详细的性别和种族分析，供有兴趣的研究人员用于公平学习研究。我们的数据集通过几个最先进的有监督的 CNN 和 Transformer 深度学习模型进行了基准测试。数据集和代码可通过 https://ophai.hms.harvard.edu/datasets/harvard-gdp1000 公开获取。

    Aug, 2023

  • 利用眼部结构变化预测青光眼进展的深度学习

    利用深度学习模型，该研究探索了青光眼的结构功能关系，从结构性眼部退化中预测功能受损，并且开发出半监督时间序列算法以准确预测青光眼的进展。

    Jun, 2024

  • 光学时间序列图像中的多尺度缺失数据修复与遮挡时空注意力网络

    提出了一种基于深度学习的新方法 MS2TAN (Multi-scale Masked Spatial-Temporal Attention Network)，用于重建时间序列的遥感图像，通过充分利用空时辅助信息，得到更高的恢复准确性。

    Jun, 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

  • 使用 Transformer 进行多标签视网膜疾病分类

    该研究提出了一种新颖的多标签分类系统，用于检测来自各种来源的眼底图像中的多种视网膜疾病，并构建了一个新的多标签眼底疾病数据集（MuReD 数据集），并使用基于 transformer 的模型进行图像分析和决策制定，实验结果显示该系统较同类方法的 AUC 分数在疾病检测和疾病分类方面分别提高了 7.9％和 8.1％。

    Jul, 2022

  • ImageFlowNet: 不规则采样的长期医学图像预测多尺度疾病进展轨迹

    通过使用神经 ODE 和 SDE 模拟疾病进展的图像流场，ImageFlowNet 框架能够学习多尺度联合表示空间，并通过结合患者群体来传递信息，从而在长期医学图像数据集中准确预测疾病进展。

    Jun, 2024

  • InceptionCaps: 数据稀缺环境下高效的青光眼分类模型

    一项关于深度学习模型在自动青光眼分类中的研究，采用 InceptionCaps 作为基于预训练 InceptionV3 的胶囊网络，通过对视网膜眼底图像的分类，取得了较高的准确性和鲁棒性。

    Nov, 2023

  • 基于视网膜图像的青光眼筛查的磁盘感知集成网络

    本文介绍了一种新的自动青光眼筛查方法 —— 深度学习技术，针对现有临床测量方法对于图像处理精度的过高依赖和对于多种视觉特征的忽视，提出一种名为 DENet 的深度感知集成网络，能够直接从眼底图像中筛查出青光眼。该方法将全局眼底图像和局部视神经盘区域的深层层次信息相结合，实现了四个深度流的处理，最终融合不同流的输出概率生成最终筛查结果。实验结果表明，该筛查方法与其他先进算法相比表现更优。

    May, 2018