通过深度学习实现自动化视网膜图像分析和医疗报告生成
提出基于健康样本作为参考来识别大规模医学影像数据中的异常区域,并使用深度卷积自编码器来进行训练和病理区域的分类,结果表明相比于标准嵌入方法,学习特征在分类任务中表现更好。
Dec, 2016
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
通过评估13种不同的算法可解释性方法,结论为Taylor系列展开是在视网膜OCT诊断中最合适的方法,并且深度学习模型的解释可以使其更透明,从而有助于临床诊断和医学影像处理。
Sep, 2020
本研究针对视网膜疾病治疗方案提出一种基于人工智能的方法,旨在帮助眼科医生提高诊断效率和准确性。该方法包括深度神经网络模型、视网膜疾病自动诊断和临床描述生成器、DNN可视化解释模块,并提供基于眼科医生手动标注的视网膜图像数据集进行训练和验证。实验结果表明,该方法无论是定量还是定性分析都取得了显著的效果,并成功生成了有临床意义的视网膜图像描述和可视化解释。
Nov, 2020
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
本研究提出了一种自动视觉解释方法,通过生成关于图像中哪些视觉信号与任务相关的假设,利用团队专业知识实现。该方法通过对分类器进行训练,使用StylEx进行图像生成和自动检测可视化,为AI模型提供解释和为未来研究提供假设。在八项预测任务中进行了验证,并展示了一些已知的属性、超越生理机制的属性以及潜在的生理学属性。
Jun, 2023
通过对过去十年的研究进行系统调查,本文提供了一个关于导致视觉障碍或失明的视网膜疾病的体系化调研,强调了早期检测对有效治疗的重要性。它涵盖了检测视网膜疾病的临床和自动化方法,并基于对现有文献的批判性分析确定了未来的研究方向。这一综合研究以不同模态的临床和自动化检测方法为基础,具有独特的范围。此外,该调查对于对数字性视网膜病感兴趣的研究人员,将作为一份有益的指南。
Nov, 2023
提出了一种集成视觉表示和诊断关键词的新型深度学习架构(Multi-Modal Medical Transformer, M3T),用于眼底图像的生成精确和连贯的医学描述。在DeepEyeNet数据集上的实验研究验证了M3T在满足眼科医生标准方面的成功,相比最佳基线模型,BLEU@4有了显著的13.5%改进。
Jun, 2024
本研究针对医疗AI在眼病诊断中的现实应用难题,特别是缺乏临床工作流程验证的现状进行了探讨。通过构建用于年龄相关性黄斑变性(AMD)诊断的AI辅助工作流程,实验证明AI的引入显著提高了诊断准确性和效率。此外,持续学习的模型在多个数据集上展示了稳健性能,促使诊断准确率提升29%。
Sep, 2024