使用扩散模型生成解剖准确的血管结构视网膜图像，评估表明该方法提高了数据增强和血管分割的性能并可以构建独立的数据集。

May, 2023

青光眼是全球不可逆盲的主要原因。本研究针对有限的带有最先进的光学相干断层扫描（OCT）3D视网膜成像数据的标记患者的瓶颈问题，提出两种解决方案。首先，我们开发了一种新型的广义增强半监督学习（SSL）模型，称为伪监督器，以最佳方式利用无标签数据。与最先进的模型相比，所提出的伪监督器通过预测未标记样本的伪标签来优化策略，以提高经验概括能力。我们的伪监督器模型通过进行青光眼检测和进展预测两个临床任务进行评估。进展预测任务以单模态和多模态方式进行评估。我们的伪监督者模型表现出优于最先进SSL比较模型的性能。此外，我们的模型在公开可用的LAG眼底数据集上也取得了最佳结果。其次，我们引入了哈佛青光眼检测和进展（Harvard-GDP）数据集，这是一个多模态多任务数据集，包括来自1,000例患者的OCT成像数据，以及青光眼检测和进展的标签。这是一个拥有3D OCT成像数据的最大的青光眼检测数据集，也是公开可用的第一个青光眼进展预测数据集。我们提供了详细的性别和种族分析，供有兴趣的研究人员用于公平学习研究。我们的数据集通过几个最先进的有监督的CNN和Transformer深度学习模型进行了基准测试。数据集和代码可通过https://ophai.hms.harvard.edu/datasets/harvard-gdp1000公开获取。

Aug, 2023

本研究提出了一种结合纵向成像、糖尿病视网膜病变、神经常微分方程以及$ t_{mix} $增强的纵向混合训练（LMT）框架，用于检测和预测糖尿病视网膜病变的进展。结果显示，我们的纵向任务可以学习糖尿病视网膜病变的进程，并且引入$ t_{mix} $增强对于时间感知模型是有益的。

Oct, 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

该研究使用深度学习技术从长期的医学图像中对年龄相关性黄斑变性和原发性开角型青光眼进行动态预测，取得了显著的成果。

May, 2024

本研究关注于如何通过数据为中心的方法改进视网膜图像中的青光眼筛查，并通过多个标注者的信息进行个性化标签平滑处理，从而提高模型性能。

Jun, 2024

利用深度学习模型，该研究探索了青光眼的结构功能关系，从结构性眼部退化中预测功能受损，并且开发出半监督时间序列算法以准确预测青光眼的进展。

Jun, 2024

通过使用神经ODE和SDE模拟疾病进展的图像流场，ImageFlowNet框架能够学习多尺度联合表示空间，并通过结合患者群体来传递信息，从而在长期医学图像数据集中准确预测疾病进展。

Jun, 2024

本研究解决了青光眼视野数据噪声大、变异性高的问题。通过自监督深度学习方法，使用变分自编码器和掩蔽自编码器对视野数据进行去噪，显著提高了信噪比和青光眼进展的检测能力。研究发现，采用掩蔽自编码器可以更有效地平滑数据，并且引入每个位置的分类p值能提前2.3个月预测青光眼的进展。

Nov, 2024

本研究解决了如何在有限数据下生成眼底荧光血管造影（FFA）图像的问题，提出了一种新的基于潜在扩散模型的框架。该框架通过引入微调协议，优化了模型的生成能力，并在不同模态和疾病类型之间有效应对生成挑战，最终在有限数据集上实现了领先的研究成果，有望显著提升眼科诊断和患者护理。

Dec, 2024