Mar, 2024

基于深度学习的 OCT 图像聚类用于年龄相关性黄斑变性生物标记的发现（Pinnacle 研究报告 4）

PDF
TL;DR通过对大规模视网膜光学相干断层扫描图像进行深度学习，我们提出了一种基于对比学习的生物标志物提议系统来加速年龄相关性黄斑变性的生物标志物发现，此系统超越了已建立的临床分级系统所使用的标志物集合，为进一步发现新的预后性生物标志物提供了可能。
grading systemsbiomarker discoveryage-related macular degenerationretinal optical coherence tomographycontrastive learning
发现论文，激发创造
  • 用于年龄相关性黄斑变性分类的多任务深度学习模型

    针对年龄相关黄斑变性（AMD）的深度学习模型通过多任务学习技术，将基于图像的 AMD 严重程度分级自动分类，并在两个图像数据集上的评估中表现优于当前的最先进模型超过 10%。

    Dec, 2018

  • OCT 拍摄的不同视网膜区域用于中度 AMD 分类的比较

    通过对一定区域感兴趣的视网膜 (OCT) 数据进行部分输入，即限制输入 B 扫描到特定的 ROI，研究是否有可能区分中间年龄相关性黄斑变性 (AMD) 和健康对照组。通过训练使用 VGG16 架构和在 ImageNet 上预训练的卷积神经网络，可以有高精度地识别出这些 ROIs， 从而实现了对 AMD 分类的高准确性。

    May, 2023

  • 利用解剖分割的认知不确定性进行视网膜 OCT 异常检测

    利用贝叶斯深度学习的方法结合 Monte Carlo dropout 与新的后处理技术，我们成功地在视网膜光学相干断层扫描图像的异常区域检测中发现了候选的生物标记物，并在病变检测上获得了高精度的分离健康和患病案例的结果。

    May, 2019

  • AMDNet23：一种结合基于轮廓的卷积神经网络和长短期记忆系统的诊断老年性黄斑变性方法

    基于自动化框架的疾病检测辅助医生对眼科疾病的诊断，通过自适应对比度增强和 Gamma 校正提高眼底图像的质量，使用深度学习的 AMDNet23 系统结合卷积神经网络和短期与长期记忆自动检测老年性黄斑变性疾病。研究收集了来自多个来源的数据集，经过质量评估后应用于实验，结果表明该混合深度模型对 AMD 眼底疾病的检测具有优越性能。

    Aug, 2023

  • RetiNet: OCT 体数据中自动识别 AMD

    本研究提出了一种基于卷积神经网络的半监督学习方法，利用光学相干断层扫描成像技术对视网膜疾病进行自动识别，并取得了良好的效果。

    Oct, 2016

  • DeepSeeNet：一种深度学习模型，用于自动分类基于患者色视网膜照片的年龄相关性黄斑变性严重程度

    DeepSeeNet 是一种基于深度学习的系统，使用双眼 CFP 图像来自动分类患者的年龄相关性黄斑变性病情，并通过 AREDS 简化严重程度评分患者级别，并表现出比视网膜专家更高的分类精度和透明度。

    Nov, 2018

  • 评估一个深度学习系统，用于联合自动检测糖尿病视网膜病变和年龄相关性黄斑变性

    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

  • 利用深度学习框架在光学相干断层扫描图像上检测和量化玻璃体淀粉样变和网状假性玻璃体淀粉样变

    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

  • 使用光学相干层析成像和血管造影自动诊断阿尔茨海默病的调查

    本研究对视网膜光学相干断层扫描技术与深度学习算法在阿尔茨海默病和认知损害的自动化诊断方面的应用进行了系统性综述，发现开放的阿尔茨海默病相关光学相干断层扫描数据集的不足是制约该领域进展的主要问题。

    Sep, 2022

  • 临床标记的对比度学习用于 OCT 生物标志分类

    该文介绍了一种基于临床数据提取标签的医学图像对比学习的新型正负集选择策略，该策略利用临床数据作为伪标签来选择训练网络的正负实例，以便从 OCT 扫描中直接分类疾病的关键指标，同时提出了一种使用临床对比损失的线性组合方法，并在不同颗粒度的生物标记物设置中与最先进的自监督方法进行基准测试，表现提升达 5％的总生物标记检测 AUROC。

    May, 2023