基于普通强健的眼底摄影视力损失估计方法对高度近视的研究
本文研究使用深度学习算法通过视网膜底照片准确预测屈光不正,结果显示使用关注图方法可以识别与屈光不正相关的特征,该算法在UK Biobank数据集上的平均绝对误差为0.56 diopters(95% CI: 0.55-0.56),在AREDS数据集上为0.91 diopters(95% CI: 0.89-0.92),因此,在没有自动折射仪的地区,可以使用移动电话获取视网膜底照片来预测屈光不正水平。
Dec, 2017
本研究提出了一种新的受结构保护的引导性视网膜图像滤波方法(SGRIF),该方法可以有效地恢复降质的视网膜图像,并可用于辅助计算机支持的诊断方法,提高视杯分割和杯盘比率测量的准确性。
May, 2018
我们使用全局可解释性方法建立了一个多疾病的深度学习模型来检测超广角成像中的视网膜疾病,发现在这些图像中最重要的区域是后极区域,只利用后极区域周围10%的图像即可实现与使用整个图像相当的性能。
Mar, 2022
我们提出了一个使用注意力模块的有效金字塔通道注意力(EPCA)网络,用于基于眼底图像自动检测病理性近视(PM)。在三个数据集上的实验表明,我们的EPCA-Net在检测PM方面优于现有方法。此外,我们尝试了将预训练的自然图像模型适应为PM检测的方法,并通过与传统的微调方法相比较,在具有较少可调参数的情况下取得了有竞争力的性能。
Sep, 2023
超宽视野眼底图像在近视相关并发症的筛查、检测、预测和治疗中取代传统眼底图像,其更广阔的视野范围对高度近视眼非常有优势。球等效度(SE)广泛被用作主要的近视结果测量指标,而眼轴长度(AL)作为一个重要的视觉组成部分越来越受到关注,用于评估近视。我们提出了一种通过高阶张量生物标志物建立多变量反应回归模型的统计框架,用于双变量的回归分类和回归回归任务,具体来说,我们提出了一种通过高斯胞联提高卷积神经网络(CeCNN)框架,通过一个估计自启动卷积神经网络的参数得到两个反应之间的依赖性,并使用由背景CNN产生的胞联似然损失。我们验证了提出的CeCNN在添加了依赖信息到背景模型之后具有更好的预测准确性。这种建模和提出的CeCNN算法不仅适用于超宽视野情境,还可以与ResNet和LeNet等其他骨干网络一起有效地应用。
Nov, 2023
本研究提出了一种名为ARTran的模型,用于高度近视的光学相干断层扫描(OCT)数据的筛查。通过引入可调整的类别嵌入(ACE)和移动子空间转换矩阵(SST),该模型能够适应不同条件下的筛查,并提供了不确定性评估的证据。实验证明了该方法的有效性和可靠性。
Dec, 2023
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
通过引入新颖的人群模型和基于距离相关性的解缠结损失函数,我们成功实现了视网膜底图像的控制性和高度逼真的生成,并揭示了患者属性和技术混杂因素在图像生成中的复杂关系。
Feb, 2024
本研究解决了儿童近视发展预测的主观性和资源密集问题,提出了一种利用视网膜图像和基线屈光数据的高准确度预测方法。研究表明,该方法在预测儿童近视及高近视风险方面具有良好的准确性,能够支持早期干预策略,显著降低医疗成本,并助力大规模筛查。
Jul, 2024
本研究针对视网膜底片图像增强中的质量缺陷问题,提出了一种上下文感知的最佳传输学习框架,以解决无配对图像的增强挑战。该方法通过深度上下文特征保留局部结构,减少不必要的伪影,实验结果表明其在信噪比和结构相似度等指标上显著优于多种先进的监视和非监视方法。
Sep, 2024