基于视觉转换器的彩色底片对光明眼:青光眼筛查
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
通过成立 Retinal Fundus Glaucoma Challenge(REFUGE)公开了一个包含 1200 个图像的数据集,比现有最大的数据集都要大,提供了一个标准化的基准策略分析不同模型,挑战拥有 12 个资格的团队,其中两个排名最高的团队在青光眼分类任务中表现优于两个人类专家。
Oct, 2019
该研究综述了基于人工智能的青光眼检测框架的两种主要方法,分别是基于逻辑规则和基于机器学习 / 统计建模,并重点概括了这两种方法的最新进展和瓶颈。
Apr, 2022
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
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
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
本文提出了一种新的分割方法 UT-Net,结合了 U-Net 和 transformer,采用注意力机制,提高了对视网膜图像中视盘和视杯的分割准确度,并在三个数据集上验证了其优越性。
Mar, 2023
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
本文研究使用深度学习算法通过视网膜底照片准确预测屈光不正,结果显示使用关注图方法可以识别与屈光不正相关的特征,该算法在 UK Biobank 数据集上的平均绝对误差为 0.56 diopters(95% CI: 0.55-0.56),在 AREDS 数据集上为 0.91 diopters(95% CI: 0.89-0.92),因此,在没有自动折射仪的地区,可以使用移动电话获取视网膜底照片来预测屈光不正水平。
Dec, 2017
本文提出一个基于先验引导的多任务变压器框架 (JOINEDTrans) 用于实现视网膜象限的联合识别和视准线检测任务,并将其成功应用于公开数据集 GAMMA、REFUGE 和 PALM 中,明显优于现有的基于深度学习的图像分割和检测方法。
May, 2023