retinal fundus images | BriefGPT

关键词retinal fundus images

搜索结果 - 11

结合基于分割的血管增强和深度学习特征的一种改进的视网膜疾病诊断方法
该论文提出了一种快速、客观、准确的诊断与视网膜底层图像相关疾病的方法，采用多分类研究正常样本和 13 类疾病样本在 STARE 数据库上，测试集准确率达到 99.96%，并与其他研究相比取得了最高准确率。创新地提出 “基于分割的血管增强（S
PDFa month ago
用生成模型解耦视网膜图像的表示
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。
PDF4 months ago
SynFundus：生成数百万样本和多种疾病标注的合成眼底图像数据集
在医学影像领域，由于隐私限制导致大规模数据集的稀缺性成为开发大型医学模型的重要障碍。为解决这个问题，我们引入了 SynFundus-1M，这是一个高质量的合成数据集，包含超过 100 万张视网膜底部图像以及详尽的疾病和病理学注释。SynFu
PDF7 months ago
InceptionCaps: 数据稀缺环境下高效的青光眼分类模型
一项关于深度学习模型在自动青光眼分类中的研究，采用 InceptionCaps 作为基于预训练 InceptionV3 的胶囊网络，通过对视网膜眼底图像的分类，取得了较高的准确性和鲁棒性。
PDF7 months ago
使用扩散模型生成视网膜眼底图像和 OCT 图像的逼真对立事实
使用扩散模型和对抗性强大的分类器结合生成高度逼真的反事实性的视网膜底部图片和光学相干断层扫描 (OCT) B 扫描图像，专家从用户研究中发现，与先前的方法生成的反事实图片相比，使用我们的方法生成的反事实图片更为逼真，甚至难以区分真实图片。
PDF8 months ago
探索青光眼检测的深度学习技术：综述
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
PDF8 months ago
扩散模型生成具有结构现实性的视网膜底部图像
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。
PDFa year ago
基于双关注机制的眼底血管图像分割
使用 Transformer 构建的通道注意力和空间注意力机制的关注融合机制，提取 retina fundus images 中的信息，并引入空间注意力和 Dropout 机制以提高模型的泛化性能和消除噪声，实现对血管的重要分割。
PDFa year ago
优化流动动力学的深度学习方法以提高视网膜底图像分类
通过卷积神经网络对糖尿病视网膜病变图像进行自动化检测和特征提取，利用这些特征在机器学习分类器中建立模型，提高检测及诊断水平。
PDFa year ago
利用人工智能和视网膜成像替代基于 Framingham 的心血管疾病风险和不良结果预测方程
本研究旨在创建和评估一个人工智能深度学习平台 (ORAiCLE)，该平台仅使用视网膜底部图像即可预测个体在 5 年内的心血管疾病 (CVD) 风险以及构成该风险的组成部分的相关贡献。使用 Framingham 公式计算风险，与 ORAiCL
PDF2 years ago
利用深度学习从视网膜底照片预测心血管风险因素
通过使用深度学习技术在 284,335 个患者的视网膜底部图像数据和 12,026 和 999 个独立数据集上进行训练，我们预测了视网膜图像中以前未被认为存在或可以量化的心血管风险因素，例如年龄（在 3.26 岁内），性别（0.97 AUC
PDF7 years ago