神经网络场分析气道 OCT
本研究提出一种利用一次重复 OCT 扫描生成 OCTA 图像的血管提取流程,基于卷积投影利用更好地学习图像块之间的空间关系的 Vasculature Extraction Transformer(VET)实现。与使用四次重复 OCT 扫描的 SV-OCTA 及 ED-OCTA 获得的 OCTA 图像相比,VET 提取的 OCTA 图像展现出中等的质量和更高的图像对比度,同时将所需数据采集时间从大约 8 秒缩短到了大约 2 秒。根据视觉观察,VET 在使用具有挑战性的颈部和面部 OCTA 数据的区域中优于 SV 和 ED 算法。该研究表明,VET 具有从快速一次重复的 OCT 扫描中提取血管图像的能力,从而有助于对患者进行准确的诊断。
Apr, 2023
本研究基于 Spectralis OCT 提取 3D ONH 点云并采用 PointNet 和 DGCNN 两种几何深度学习技术用于诊断青光眼和分析 3D 结构特征,其诊断精确度均优秀,且能确定有助于诊断的关键结构特征。因此,该方法具有诊断各种眼科疾病的潜在临床应用前景。
Apr, 2022
提出基于深度学习的神经网络来校正 OCT 图像中的运动伪影,并在实验中表明该方法可以有效地校正运动伪影,恢复视网膜的整体曲率,并能够推广到各种疾病和分辨率。
May, 2023
通过自主学习的变分自编码器 (VAE) 在光学相干断层扫描 (OCT) 图像中学习低维表示,并结合参与者的人口统计学和临床数据,使用随机森林 (RF) 分类器来识别未来心血管疾病风险,其性能较 QRISK3 评分更优,证明视网膜 OCT 成像是一种经济高效的非侵入性方法来预测心血管疾病风险。
Mar, 2024
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
通过使用来自光学相干断层扫描血管造影 (OCTA) 的图像训练 AI 算法,我们可以通过标准的结构性光学相干断层扫描 (OCT) 图像来生成血管图,且模型的性能在微血管灌注方面与 OCTA 不相上下,表现明显优于专家临床医生的操作水平,并绕过了专家标注的负担和限制。这为医学成像提供了一种新的应用方法。
Feb, 2018
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
该研究旨在通过结合乳突外形学知识和光学相干断层扫描成像技术,提出一种名为 C2P-Net 的两阶段非刚性注册流程从而提高 OCT 数据的可读性,促进其在日常临床中的应用,解决与儿科患者中耳炎诊断相关的主要问题。
Apr, 2023
发展了一种利用深度学习算法自动分割视神经头(ONH)和黄斑结构的三维广域光学相干断层扫描(OCT),并评估 ONH 或 macula 结构(或两者的组合)哪种提供最佳的青光眼诊断能力的方法。
Oct, 2022
利用深度学习和超分辨率技术重建失去的特征,以改善眼科临床医生的决策,应对广场视野 OCT 系统降低分辨率的挑战。
Jan, 2023