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

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

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

糖尿病性视网膜病变（DR）是全球致盲的重要原因，早期检测和有效治疗的迫切需求引起了关注。研究中提出了一种针对 DR 检测的新型半监督图学习（SSGL）算法，充分利用标记和未标记数据之间的关系以提高准确性。该研究通过研究数据增强和预处理技术来解决图像质量和特征变化的挑战，并探索了图像裁剪、调整大小、对比度调整、归一化和数据增强等技术来优化特征提取和改善视网膜图像的整体质量。此外，除了检测和诊断，本研究还深入研究了将机器学习算法应用于预测 DR 发展的风险或疾病进展的可能性。使用包含人口信息、病史和视网膜图像的全面患者数据生成个体化风险评分。该提出的半监督图学习算法在两个公开数据集上进行了严格评估，并与现有方法进行了基准测试。结果表明，在分类准确性、特异性和灵敏度方面取得了显著的改进，同时表现出对噪声和异常值的鲁棒性。值得注意的是，该算法解决了医学图像分析中常见的不平衡数据集的挑战，进一步增强了其实际适用性。

Sep, 2023

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

青光眼是全球不可逆盲的主要原因。本研究针对有限的带有最先进的光学相干断层扫描（OCT）3D 视网膜成像数据的标记患者的瓶颈问题，提出两种解决方案。首先，我们开发了一种新型的广义增强半监督学习（SSL）模型，称为伪监督器，以最佳方式利用无标签数据。与最先进的模型相比，所提出的伪监督器通过预测未标记样本的伪标签来优化策略，以提高经验概括能力。我们的伪监督器模型通过进行青光眼检测和进展预测两个临床任务进行评估。进展预测任务以单模态和多模态方式进行评估。我们的伪监督者模型表现出优于最先进 SSL 比较模型的性能。此外，我们的模型在公开可用的 LAG 眼底数据集上也取得了最佳结果。其次，我们引入了哈佛青光眼检测和进展（Harvard-GDP）数据集，这是一个多模态多任务数据集，包括来自 1,000 例患者的 OCT 成像数据，以及青光眼检测和进展的标签。这是一个拥有 3D OCT 成像数据的最大的青光眼检测数据集，也是公开可用的第一个青光眼进展预测数据集。我们提供了详细的性别和种族分析，供有兴趣的研究人员用于公平学习研究。我们的数据集通过几个最先进的有监督的 CNN 和 Transformer 深度学习模型进行了基准测试。数据集和代码可通过 https://ophai.hms.harvard.edu/datasets/harvard-gdp1000 公开获取。

Aug, 2023

通过与多个预训练模型的比较，本文提出了一种具有 94.71％分类准确率的转移学习模型来识别青光眼，并利用本文的 Local Interpretable Model-Agnostics Explanations (LIME) 方法来帮助医疗专业人员理解该系统的预测过程。这种改进使传统深度学习模型的不透明和脆弱性得到缓解，并为医疗专业人员提供了重要的综合信息以帮助他们做出判断。

Oct, 2022

近期的研究发现，深度学习算法在自动生成眼底图像特征以检测青光眼方面具有潜力，本文综述了目前应用于青光眼分割、分类和检测的前沿深度学习方法，评估了这些技术的有效性和局限性，突出了关键发现并指出了进一步研究的潜在领域。深度学习算法的运用有望显著提高青光眼检测的效果、实用性和准确性，该研究结果对于自动青光眼检测的持续发展具有重要意义，能够改善患者预后并减轻全球青光眼的疾病负担。

Nov, 2023

通过对多个数据集进行对比研究，本文提出了使用随机权重平均、模型融合和集成等技术来提高模型泛化性能，并揭示了如何将粗粒度标记数据与细粒度数据集相结合以改善病变分割的洞见。

May, 2024