OpticalDR:用于隐私保护的抑郁识别的深度光学成像模型
该研究开发并验证了一个深度学习框架,可用于检测和定量光学相干断层扫描中的玻璃体下淀粉样物和网状假性玻璃体下淀粉样物,对于 AMD 的研究和临床诊断有帮助。
Apr, 2022
本研究提出了 IdentityDP,这是一个脸部数据去识别框架,结合了一种数据驱动的深度神经网络和差分隐私(DP)机制。通过该框架,可以有效地推断脸部相关信息,保留重要视觉相似性并生成高质量图像,同时在不预注释情况下提供多样性结果,以实际需求为依据调整隐私和效用平衡,可广泛应用于身份非特异性计算机视觉任务。
Mar, 2021
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
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
DR | GRADUATE 是一种基于深度学习人工智能的糖尿病性视网膜病变筛查辅助诊断系统,它采用高斯抽样的方法进行多实例学习,并根据显著性地图和预测不确定性来支持决策,该系统能够在不熟悉的医学图像数据类型上进行异常检测和诊断,因此在糖尿病性视网膜病变的严重程度分级中具有重要的潜在作用。
Oct, 2019
验证了一种商用的深度学习系统在混合眼部疾病的彩色眼底图像中同时检测糖尿病视网膜病变和年龄相关性黄斑变性的性能,结果表明该系统表现与人类专家相当,可以成为眼科专家的快速可靠支持。
Mar, 2019
本文使用转换器学习模型,结合视网膜图像的关键特征,对眼底照片进行深入理解,以达到对糖尿病视网膜病变严重程度的自动化评估。实验结果表明,基于转换器的模型在公开数据集上表现出极高的可行性。
Jan, 2023
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
该研究使用光学相干断层扫描血管造影技术(OCTA)对糖尿病视网膜病变进行自动评估,通过优化的二维摘要和分类流程,提供了比三维分类更好、更易解释的结果。
Jan, 2024