Jun, 2024

三个解剖区域的周视盘神经纤维层反射和其他 OCT 参数构建角膜压分类的混合深度学习

PDF
TL;DR通过混合的深度学习模型，结合 NFL 反射和其他 OCT 参数，提高青光眼诊断的准确性。
hybrid deep learning modelglaucoma diagnosisoct parametersreflectancediagnostic accuracy
发现论文，激发创造
  • 应用几何深度学习识别青光眼诊断中视神经盘的关键三维结构特征

    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

  • Optic-Net：一种新型卷积神经网络用于诊断光学断层扫描图像中的视网膜疾病

    本研究提出一种卷积神经网络架构，能够成功区分不同视网膜层的退化以及其潜在的疾病原因，准确率达到 99.8%，100%。此外，这种架构可以实时预测视网膜疾病，同时表现优于人类诊断医师。

    Oct, 2019

  • 从视神经光学相干断层扫描报告中提取文本

    开发和评估基于规则的算法以提取来自 Zeiss Cirrus 光学相干断层扫描报告的文本数据，包括视网膜神经纤维层（RNFL）值和其他神经节细胞计数（GCC）数据。通过手动审核一组 RNFL 和 GCC 报告，验证算法的性能高，可以准确提取数据。定制化的光学字符识别算法可以在大规模上自动处理 PDF 报告以大大减少提取光相干扫描结果的时间。

    Aug, 2023

  • 使用人工智能和广角视网膜光学相干断层扫描技术，哪种结构更适合诊断青光眼：黄斑或视神经头？

    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

  • 基于空间感知 Transformer-GRU 框架的增强型青光眼诊断从 3D OCT 成像

    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

  • 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

  • 一种测量眼底照片中扇形视盘苍白的方法及其与盘周神经纤维层厚度的关联

    通过深度学习，我们开发了一种自动定位和量化眼底照片中的视盘苍白的软件，并发现了视盘苍白测量与 pRNFL 厚度之间的关联性。

    Nov, 2023

  • InceptionCaps: 数据稀缺环境下高效的青光眼分类模型

    一项关于深度学习模型在自动青光眼分类中的研究，采用 InceptionCaps 作为基于预训练 InceptionV3 的胶囊网络，通过对视网膜眼底图像的分类，取得了较高的准确性和鲁棒性。

    Nov, 2023

  • GARDNet: 色彩底片图像青光眼分类的鲁棒多视角网络

    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

  • 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