May, 2024

基于可解释卷积神经网络的视网膜底部分类及基于先进视网膜血管图像分割模型

PDF
TL;DR我们的研究聚焦于通过检查眼底图像中的视网膜血管进行疾病的早期诊断。我们利用八个预训练的 CNN 模型进行基于深度学习的分类，同时应用了可解释的 AI 技术，如 Grad-CAM、Grad-CAM++、Score-CAM、Faster Score-CAM 和 Layer CAM。通过对多个模型进行评估，我们发现 ResNet101 具有最高的准确率（94.17%），而 EfficientNetB0 的准确率最低（88.33%）。对于图像分割，Swin-Unet 表现出 86.19% 的平均像素准确率，而 Attention U-Net 基于 DenseNet201 的准确率最低（75.87%）。
发现论文，激发创造
  • 基于全卷积神经网络的结构化预测方法用于视网膜血管分割

    本文提出了一种基于卷积神经网络的结构化预测模型，有效地解决了（DRIVE 数据集上）自动分割视网膜血管的任务，得到 95.33% 的准确率和 0.974 的 AUC 值。

    Nov, 2016

  • 基于横向数据集和横向疾病通用化的视网膜血管分割模型基准评估

    视网膜血管分割是通过眼底图像提取临床相关信息的方法。我们在迄今为止最大的公开数据集上为文献中常用的各种架构和训练选择提供了严格的基准，并评估了五个已发布的模型在公开可用的 FIVES 眼底图像数据集上的性能，同时比较了不同模型架构在不同损失函数、图像质量水平和眼科疾病条件下的性能表现，并评估了它们在面对疾病诱导的领域转变时的能力。当具备足够的训练数据时，基本架构如 U-Net 的性能可以媲美更先进的架构，并且对于大多数架构，跨疾病诱导的领域转变通常表现良好。然而，我们发现图像质量是决定分割结果的关键因素。在优化分割性能时，将一个标准架构与高质量的数据集相结合比在较小或图像质量较低的数据集上调整复杂架构的效果更好。因此，我们从临床相关性的角度上总结了架构进展的实用性，为根据临床环境情况选择模型提供了实际指导。

    Jun, 2024

  • 深度监督加附加标签的视网膜血管分割任务

    该研究提出了一种基于深度学习的新方法，通过 U-net 神经网络和边缘感知机制实现视网膜血管图像的血管分割，实验结果表明该方法在三个数据库上的表现可与现有的最先进方法相媲美，具有 97.99％的 AUC，并且运行时间更有效率。

    Jun, 2018

  • LUNet：深度学习用于高分辨率眼底图像的细动脉和细静脉分割

    利用眼底数字成像技术，通过主动学习构建了一个新的数据集，其中包含由医学生及眼科医师审查的 240 个手动分割的视网膜小动脉和小静脉，开发了一种名为 LUNet 的新型深度学习架构，用于高分辨率的动静脉分割，并证明 LUNet 在多个测试集上显著优于其他分割算法。

    Sep, 2023

  • 结合基于分割的血管增强和深度学习特征的一种改进的视网膜疾病诊断方法

    该论文提出了一种快速、客观、准确的诊断与视网膜底层图像相关疾病的方法，采用多分类研究正常样本和 13 类疾病样本在 STARE 数据库上，测试集准确率达到 99.96%，并与其他研究相比取得了最高准确率。创新地提出 “基于分割的血管增强（SVE）” 方法，经比较深度学习模型在 SVE 图像、原始图像和平滑 Grad-CAM ++ 图像上的分类性能后，提取 SVE 图像的深度学习特征和传统特征并输入到九个元学习器进行分类，结果表明我们提出的 UNet-SVE-VGG-MLP 模型在 STARE 数据库上对与视网膜底层图像相关疾病的分类具有最佳性能，测试集的整体准确率达到 99.96%，14 个类别的加权 AUC 为 99.98%。该方法可实现视网膜底层图像相关疾病的快速、客观、准确的分类与诊断。

    May, 2024

  • 基于深度学习的视网膜血管分割方法：在早产性视网膜病变图像上的评估

    本文在评估了三种高性能卷积神经网络在分割遗传性视网膜病变视网膜血管图像方面的性能后，得出结论，现有的公共数据集对帮助眼科医生诊断遗传性视网膜病变所需的高性能预测模型存在一定限制，需要更加详细的数据集或更深层的模型。

    Jun, 2023

  • 采用卷积神经网络、ResNet 和 Grad-CAM 的黄斑变性感知和定位

    通过使用 CNN 和 ResNet 架构，本研究基于定位黄斑变性视网膜区域，对健康和黄斑变性视网膜进行分类，其中以 ResNet50 作为骨干结构的 CNN 模型表现最佳，该模型对 90% 训练和 10% 测试数据划分的训练准确度达到 98.7%，并通过 Grad-CAM 可视化技术得到了受影响的视网膜区域。

    Apr, 2024

  • 基于双关注机制的眼底血管图像分割

    使用 Transformer 构建的通道注意力和空间注意力机制的关注融合机制，提取 retina fundus images 中的信息，并引入空间注意力和 Dropout 机制以提高模型的泛化性能和消除噪声， 实现对血管的重要分割。

    May, 2023

  • 深血管造影：简化视网膜血管分割

    本文提出了一种对比变分自编码器，可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管，并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高，可以在不同的目标领域生成稳定的血管造影，提供了一种良好的可视化方法，是荧光素血管造影的一个无创、安全的替代方法。

    Jul, 2023

  • DUNet：用于视网膜血管分割的可变形网络

    提出 Deformable U-Net（DUNet）进行视网膜血管分割，其中将可变卷积与提出的网络结合，通过自适应地调整感受野来捕获不同形状和规模的眼底血管，实现疾病诊断。实验结果表明，DUNet 在 DRIVE、STARE 和 CHASE_DB1 等数据集上的全局准确度和 AUC 显著优于其他方法。

    Nov, 2018