Jun, 2024

利用眼部结构变化预测青光眼进展的深度学习

PDF
TL;DR利用深度学习模型，该研究探索了青光眼的结构功能关系，从结构性眼部退化中预测功能受损，并且开发出半监督时间序列算法以准确预测青光眼的进展。
glaucomadeep learning modelsstructure-function relationshipsemi-supervised time-series algorithmsprogression prediction
发现论文，激发创造
  • 哈佛青光眼检测与进展：多模态多任务数据集和强化泛化的半监督学习

    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

  • 深度学习与计算机视觉在青光眼检测中的应用综述

    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

  • 探索青光眼检测的深度学习技术：综述

    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

  • 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

  • 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

  • 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

  • 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

  • 基于多尺度时空变换的不平衡纵向学习，用于从不规则时间序列图像预测青光眼

    青光眼预测的研究引入了基于变压器架构的多尺度时空变换网络 (MST-former)，针对时序图像输入进行了特定设计，可以在时空维度上有效地学习图像的语义信息；在不规则采样数据方面，引入了时间距离矩阵来非线性地缩放时间注意力；此外，通过温度控制的平衡 Softmax 交叉熵损失函数解决了类别不平衡问题。实验结果表明，MST-former 方法在青光眼预测方面表现出卓越的优势，AUC 值达到 98.6%；在阿尔茨海默病神经成像倡议 (MRI) 数据集上，对轻度认知损害和阿尔茨海默病的预测准确率为 90.3%，明显优于对比方法。

    Feb, 2024

  • 利用基于 Transformer 的序列建模技术，挖掘纵向医学成像在眼部疾病预后中的潜力

    该研究使用深度学习技术从长期的医学图像中对年龄相关性黄斑变性和原发性开角型青光眼进行动态预测，取得了显著的成果。

    May, 2024

  • 将可学习的概率离散隐变量纳入机器学习模型以提高眼疾检测的稳健性

    利用 GFlowOut 及底端释出掩模，通过深度学习模型分析眼底图像，改善对眼科疾病的识别和分类，是一种有效且全面适用的方法。

    Jan, 2024