将可学习的概率离散隐变量纳入机器学习模型以提高眼疾检测的稳健性
本研究旨在提出一种名为 GFlowOut 的方法,利用生成性流网络(GFlowNets)的概率框架来学习丢弃掩码的后验分布,并解决用传统变分推断方法来估算高度多模式后验分布及利用样本相关信息的困难,最终实验证明 GFlowOut 的预测分布具有更好的泛化性和提供更好的不确定性估计。
Oct, 2022
本研究通过建立包含 8 种常见眼疾的数据集,使用深度神经网络进行多疾病分类的实验,发现提高网络规模不能为多疾病分类带来好结果,需要采用良好结构的特征融合方法。
Feb, 2021
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
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
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
本研究提出一种基于深度学习的医学诊断方法,使用病理描述符从神经元中提取特征,通过生成对抗网络合成具有糖尿病性视网膜病变特征的病理性视网膜图像,并经过专业医生验证证明其优于现有方法。
Dec, 2018
该研究通过调查最近的研究,使用眼底图像、光学相干断层扫描和视野图像等方法基于人工智能的青光眼诊断,特别关注利用深度学习的方法。研究提供了最新的分类法,并包含可用源代码的链接,以提高研究方法的可重复性。通过对广泛使用的公共数据集进行严格的基准测试,揭示了在普适性、不确定性估计和多模态集成方面的性能差距。此外,调查展示了关键数据集和限制,如规模、标签不一致性和偏见。我们描述了未来研究的开放性挑战并详细阐述了有前景的方向。此调查旨在对希望将进展转化为实践的人工智能研究人员以及希望利用最新人工智能成果改善临床工作流程和诊断的眼科医生有所帮助。
Jul, 2023
糖尿病性视网膜病变的早期检测可以降低疾病风险和严重程度。本文开发了一个完全准确的基于机器学习模型的糖尿病性视网膜病变检测方法,利用迁移学习和数据增强等技术实现了 100% 的准确率、精确度、召回率和 F-1 分数。
Jun, 2023
应用人工智能技术于医疗市场在及时诊断类似糖尿病视网膜病变这类悄无声息的疾病方面引发了日益关注,我们通过提出一种新型的卷积神经网络模型,借助眼底图像作为输入,可以识别到糖尿病视网膜病变的严重程度,并通过卷积层对微小动脉瘤、棉絮斑、渗出物和出血等四种已知视网膜病变特征进行分类,能够提供准确的诊断结果并且不需要额外用户输入,我们提供了初步结果表明灵敏度为 97% 准确性为 71%,我们的贡献在于提供了一种可解释性更强且与更复杂模型具有相似准确性的模型,我们的模型推动了糖尿病视网膜病变检测领域的发展,是向以人工智能为重点的医学诊断迈进的重要一步。
Oct, 2023