可解释的人工智能:基于正常与扩张型ResNet模型的眼底疾病分类的比较分析
设计了一个混合模型,结合了支持向量机和深度神经网络,使用一个包含32种视网膜疾病类型的新临床视网膜标签库EyeNet,实现了对视网膜疾病的89.73%的自动临床诊断准确率,并且该模型的性能与专业的眼科医生的水平相当。
Jun, 2018
本研究提出一种卷积神经网络架构,能够成功区分不同视网膜层的退化以及其潜在的疾病原因,准确率达到99.8%,100%。此外,这种架构可以实时预测视网膜疾病,同时表现优于人类诊断医师。
Oct, 2019
本论文提出了一种新的深度学习框架ReLaX,用于解释性和准确的视网膜病理分类,通过热图和OCT分割模型结合以确定每个视网膜层的重要性,并产生丰富的定性和定量模型解释,该模型结合了在精度和可解释性方面的优势,提高了患者的视网膜疾病诊断水平。
Sep, 2021
本研究中,我们提出了一种轻量且高效的深度学习神经网络,具有双重多重残留连接来增强分割性能,同时最大限度地减少计算成本,并在八个公开可用的视网膜图像数据集上进行了评估,取得了有前途的分割结果,显示了该建议网络用于视网膜图像分析任务方面的有效性和其在实时视网膜图像分析应用方面的潜在候选性。
Jun, 2023
应用人工智能技术于医疗市场在及时诊断类似糖尿病视网膜病变这类悄无声息的疾病方面引发了日益关注,我们通过提出一种新型的卷积神经网络模型,借助眼底图像作为输入,可以识别到糖尿病视网膜病变的严重程度,并通过卷积层对微小动脉瘤、棉絮斑、渗出物和出血等四种已知视网膜病变特征进行分类,能够提供准确的诊断结果并且不需要额外用户输入,我们提供了初步结果表明灵敏度为97%准确性为71%,我们的贡献在于提供了一种可解释性更强且与更复杂模型具有相似准确性的模型,我们的模型推动了糖尿病视网膜病变检测领域的发展,是向以人工智能为重点的医学诊断迈进的重要一步。
Oct, 2023
通过使用CNN和ResNet架构,本研究基于定位黄斑变性视网膜区域,对健康和黄斑变性视网膜进行分类,其中以ResNet50作为骨干结构的CNN模型表现最佳,该模型对90%训练和10%测试数据划分的训练准确度达到98.7%,并通过Grad-CAM可视化技术得到了受影响的视网膜区域。
Apr, 2024
我们的研究聚焦于通过检查眼底图像中的视网膜血管进行疾病的早期诊断。我们利用八个预训练的CNN模型进行基于深度学习的分类,同时应用了可解释的AI技术,如Grad-CAM、Grad-CAM++、Score-CAM、Faster Score-CAM和Layer CAM。通过对多个模型进行评估,我们发现ResNet101具有最高的准确率(94.17%),而EfficientNetB0的准确率最低(88.33%)。对于图像分割,Swin-Unet表现出86.19%的平均像素准确率,而Attention U-Net基于DenseNet201的准确率最低(75.87%)。
May, 2024
本文介绍了一种使用超过400种眼底疾病信息的视网膜视觉语言基础模型(RetiZero),该模型通过收集341,896幅眼底图像和相关文本描述,从29个公开数据集、180本眼科书籍和在线资源中获取。RetiZero在零样本视网膜疾病识别、图像检索、内部领域和跨领域视网膜疾病分类以及有限样本微调等各种下游任务中取得了出色的性能,并能在不需要重新训练模型的情况下,通过零样本和图像检索方法实现与有经验的眼科医生相媲美的临床评估,从而加强了RetiZero基础模型在临床实施中的应用能力。
Jun, 2024
本研究解决了糖尿病视网膜病变早期诊断中渗出物检测的效率不足问题。通过提出一种轻量级卷积神经网络架构,并结合域特定数据增强和正则化技术,显著提升了模型的检测准确性和计算效率。研究表明,该模型在减少参数数量的同时,仍能实现90%的F1分数,有效促进了糖尿病视网膜病变的早期发现。
Aug, 2024
本研究解决了医疗数据通用人工智能模型缺乏有效性的问题,开发了一个眼底特定的预训练模型,专注于检测眼底图像中的异常。该模型在多个下游任务中表现出优越的性能,显著提升了深度学习模型在眼底成像领域的效率和准确性。
Aug, 2024