Mar, 2024

当眼动追踪遇上机器学习：医学图像分析中的应用综述

PDF
TL;DR利用眼球追踪技术提取医学图像中有意义的特征和洞察力，以改进医疗诊断的方法。通过整合人类认知和人工智能发展，将眼球追踪数据与机器学习和深度学习方法相结合，提高医学图像分析的准确性和效率。该系统性综述研究着眼于探索通过眼球追踪应用和方法来增强医学图像分析中的机器学习和深度学习算法。
发现论文，激发创造
  • 使用深度学习提高虚拟现实中眼动追踪的鲁棒性、准确性和精度

    通过比较不同机器学习方法在眼部特征追踪中的表现，本研究客观评估了这些方法对最终注视估计质量的影响。

    Mar, 2024

  • 将眼动数据整合到胸部 X 线 DL 方法中：初步研究

    本文提出了一种新颖的多模态 DL 结构，结合医学图像和眼动数据用于检测胸部 X 射线异常，结果表明将眼动数据直接应用于 DL 结构并不能表现出优越的预测性能，在 DL 结构中应用人类生成的数据，比如眼动数据，需要更全面深入的研究。

    Feb, 2023

  • 利用凝视进行对比学习以促进计算机辅助诊断

    通过眼动追踪作为替代文本报告的方法，我们可以 passively 收集放射科医师在阅读和诊断医学图像时的视觉关注和临床推理，从而在医学图像领域中改善对比度预训练的有效性。我们提出了医学对比度视线图像预训练（McGIP）作为对比度学习框架的即插即用模块，通过放射科医师的注视来指导对比度预训练，实验结果表明了 McGIP 的实用性，显示其在各种临床场景和应用中具有很高的潜力。

    Dec, 2023

  • 使用人工智能方法研究视觉分析器

    利用人工智能技术研究人眼的方法及应用，通过计算机视野和青光眼诊断来收集数据，利用软件工具分析图像，通过 Tobii Pro Glasses 3 设备和虚拟现实视频来研究眼球运动和焦点，使用数学建模研究眼瞳运动的相关性，为医学中的青光眼患者评估病程和恶化，以及研究注意力机制提供了研究方法。

    Apr, 2024

  • 面向所有人的眼动跟踪技术

    本文介绍了 GazeCapture 这一大规模数据集，使用这一数据集训练了基于卷积神经网络的眼动预测模型 iTracker，实现了在移动设备上的实时眼动追踪。该模型能够达到较高的预测准确率，并具有广泛的泛化性能。

    Jun, 2016

  • 使用脑电图的可解释和注意力机制的凝视估计方法

    本文利用同时测量的脑电图 (EEG) 和眼动数据集，提出了一种可解释的基于关注机制的深度学习框架用于估计眼球注视方向，通过对结果的分析可见该方法在准确性和鲁棒性方面优于现有方法，并提供了解释和强调注意力机制在 EEG 数据分析中提高效率和有效性的潜力。

    Aug, 2023

  • 高度动态决策任务中的潜在注视信息

    本文阐述在当前数字化和逐渐普及的人工智能技术下，眼动技术在领域专家识别、不同领域的知识迁移以及混乱的时间检测等方面发挥了重要作用，并建立了数字诊断模型以及可能的数字助理培训选择。

    Feb, 2022

  • 支持间接观察者眼动一致性的分裂检测 AI 训练

    通过利用目光追踪技术收集医生的行为数据，这项研究探讨了一种成本效益高的方法来为人工智能训练收集高质量的医生标注，以用于病理学任务中有关有丝分裂检测的研究。

    Apr, 2024

  • 利用视觉和语言模型与眼动模式增强胸部 X 射线分析中的人机交互

    通过整合医生的眼动数据以及文本提示，利用视觉 - 语言模型（VLMs）来增强胸部 X 射线分析中的人机交互，从而提高计算机辅助诊断在医学图像任务中的准确性。

    Apr, 2024

  • 眼神追踪估计模型分析

    探讨了利用机器学习技术进行眼部凝视估计的技术，论文中提出了在不受限制的场景下，通过使用眼部地标来预测凝视方向的方法，并讨论了采用合成数据进行眼部地标本地化训练的学习方法，并提出了使用该模型进行个性化凝视估计的方法。

    Jul, 2022