基于眼底照相的青光眼诊断的图形引导的测试时间调整
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
该研究综述了基于人工智能的青光眼检测框架的两种主要方法,分别是基于逻辑规则和基于机器学习/统计建模,并重点概括了这两种方法的最新进展和瓶颈。
Apr, 2022
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
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
提出了一种名为RDR-Net的无监督领域自适应方法,用于对靶向不同医疗中心的视网膜图像进行光盘和光杯分割,其包括三个模块以缓解领域差距。经过在四个公共数据集上的评估,该方法在分割性能和泛化能力方面均优于竞争模型。
Apr, 2023
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
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
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
我们提出了一种名为自适应特征融合神经网络(AFNN)的方法,用于未知领域的青光眼分割,该方法由三个模块组成:域适配器、特征融合网络和自监督多任务学习。我们的方法在四个公共青光眼数据集上取得了有竞争力的性能。
Apr, 2024
本研究针对青光眼早期检测的需求,提出了一种全新的全球自注意力网络GS-Net,旨在解决现有方法在多阶段青光眼分类中的不足。通过引入全球自注意力模块,GS-Net能够更有效地提取眼底图像中的特征,实验结果显示其在分类性能上超越了现有的先进算法,具有显著的临床应用潜力。
Sep, 2024