基于光学相干断层扫描图像的不确定性估计提升基础模型的诊断可靠性
本研究提出了一个基于不确定性的开放集模型,可用于正确识别视网膜异常,该模型还可以计算不确定性得分以表达其自信度。使用阈值策略的 UIOS 模型在三个测试集上的 F1 得分分别为 99.55%,97.01%和 91.91%,比标准 AI 模型的 F1 得分 92.20%,80.69%和 64.74%要高,能够有效解决现实场景中 AI 的主要局限性之一。
Apr, 2023
提出了一种利用非配对的眼底图像增强光学相干断层扫描模型的新方法,用于眼底疾病分类,实验结果证明该方法优于单模态、多模态和最先进的蒸馏方法。
Aug, 2023
该论文提出了一种基于贝叶斯深度学习的视网膜层分割和不确定性量化方法,其不仅可以进行视网膜层的端对端分割,而且还可以提供像素级的不确定性度量。通过生成的不确定性地图,可以识别出错误分割的图像区域,从而用于下游分析。该方法在视网膜图像分割方面具有可比或更好的性能,并且更加稳健抗噪声。
Sep, 2018
本文介绍了一种基于 Bayesian 深度学习的模型,用于对病理性 OCT 扫描中的光感受层进行分割,该架构提供了准确的光感受层分割结果,并生成显示可能的病理或分割错误区域的像素级别知识不确定性图。我们在两组与视网膜黄斑病变、视网膜静脉阻塞和糖尿病性黄斑水肿相关的病理性 OCT 扫描中进行了经验性评估,该方法在 Dice 指数和精度 / 召回曲线下的区域下,提高了基线 U-Net 的性能。我们还观察到不确定性估计与模型性能成反比,突显了其用于强调可能需要进行手动检查 / 修正的区域的效用。
Jan, 2019
通过结合超广角彩色眼底照相和光学相干断层扫描血管造影成像技术,该研究提出了一种新的多模态方法,显著增强了糖尿病视网膜病变的分类性能,有望帮助更准确地早期检测糖尿病视网膜病变,改善患者的临床预后。
Oct, 2023
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
利用深度集成卷积神经网络分析医学图像,针对糖尿病性视网膜病变的 5 类 PIRC 分类问题,提出了一种 UATTA-ENS 不确定性感知测试时间增强集成技术,以减少诊断风险。
Nov, 2022
我们的研究提出了一种自我监督的强大机器学习框架 OCT-SelfNet,用于使用光学相干断层扫描 (OCT) 图像检测眼部疾病,通过结合多个机构的数据集,采用两阶段训练方法(自我监督预训练和有监督微调),并基于 SwinV2 主干结构的遮罩自编码器解决了实际临床应用部署的问题。广泛的实验表明,我们的方法在所有测试中均获得超过 77% 的 AUC-ROC 性能,而基线模型 Resnet-50 的性能不到 54%。此外,根据 AUC-PR 指标,我们的方法达到了 42% 以上的性能,相比基线模型的 33%,性能提升了至少 10%,这显示了我们方法的潜力和在临床设置中的实用性。
Jan, 2024
EyeFound 是一种多模态基础模型,通过学习无标签的多模态视网膜图像,能够有效地适应多个应用程序,并在诊断眼疾、预测全身性疾病事件和多模态问答等方面超越了先前的工作 RETFound,提供了一个通用的解决方案,提高了模型性能,减轻了专家的标注负担,并促进了广泛的临床人工智能应用。
May, 2024
人工智能在医学领域具有巨大潜力,但传统上受限于缺乏大量的数据集来训练模型。我们提出了一种新颖的 Token Reconstruction 目标,用于训练 RETFound-Green,这是一个只使用了 75,000 张公开可用图像和 400 倍较少计算资源进行训练的视网膜基础模型。RETFound-Green 在效率和性能方面表现出色,并且可以用于其他领域的扩展。
Apr, 2024