Fundus images analysis using deep features for detection of exudates, hemorrhages and microaneurysms
PulseAugur coverage of Fundus images analysis using deep features for detection of exudates, hemorrhages and microaneurysms — every cluster mentioning Fundus images analysis using deep features for detection of exudates, hemorrhages and microaneurysms across labs, papers, and developer communities, ranked by signal.
-
视盘分割：从经典方法到视网膜分析中的人工智能
这篇综述文章详细介绍了眼底图像中视盘分割技术的演变，这是诊断青光眼等疾病的关键步骤。文章追溯了从传统图像处理和可变形模型到现代人工智能驱动的方法（包括深度学习和基于Transformer的方法）的进展。文章强调了诸如边界模糊和域泛化等持续存在的挑战，同时也指出了区域定位和几何约束等原理的持久重要性。
-
CNNs rely on pixel intensity over texture for vascular imaging
一篇新研究论文探讨了卷积神经网络（CNN）如何解释视觉信息以进行血管分割，应用于显微镜和眼底成像。研究发现，像素强度比纹理对这些网络更重要，即使纹理和强度线索退化，它们也能保持显著的准确性。CNN还表现出仅凭形状从有限的能力推断完整血管几何形状，依赖于大约20像素的感受野，而全局上下文对眼底图像只有微小的优势。
-
新型VLM增强糖尿病视网膜病变AI可解释性
研究人员开发了HSQ-VLM，这是一种新颖的视觉语言模型，旨在提高AI诊断糖尿病视网膜病变的可解释性。该模型采用新颖的象限分割流程，结合了基于地标的笛卡尔交叉注意力和拓扑潜在分区，将视网膜特征与以中央凹为中心的坐标系统对齐。HSQ-VLM通过解剖学精确地量化病理学来生成精确的自然语言报告，在3500张眼底图像的数据集上实现了高灵敏度的出血和微动脉瘤检测。
-
人工智能利用多模态成像合成视网膜血管造影
研究人员开发了一个新框架，可以从眼底图像和光学相干断层扫描（OCT）扫描中合成荧光素血管造影（FFA）。该方法解决了先前仅依赖眼底摄影方法的局限性，后者无法捕捉功能性血管信息。新框架整合了来自OCT扫描的结构化指导，为视网膜血管评估提供了更全面的方法。