glaucoma
PulseAugur coverage of glaucoma — every cluster mentioning glaucoma across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的CLAHE流程增强视网膜图像，改善诊断效果
研究人员开发了一种新颖的两阶段视网膜眼底图像增强流程，结合了亮度校正和对比度限制自适应直方图均衡化（CLAHE）。该方法专门针对非均匀照明和低对比度等伪影，这些伪影会阻碍糖尿病视网膜病变和青光眼等疾病的准确诊断。在DRIVE数据集上的定量验证表明，其性能优于标准的直方图均衡化和自适应直方图均衡化方法，在PSNR、SSIM和CNR方面取得了显著更高的分数，并且处理时间适合临床工作流程。
-
AI框架通过可解释推理和多模态数据增强青光眼诊断
研究人员开发了先进的青光眼诊断AI框架，旨在改进不透明的深度学习模型。GlaKG利用知识图谱，通过整合生物标志物、临床规则和图像特征来提供可追溯的推理，在分类和风险分层方面实现了高精度。GlaBoost采用多模态梯度提升方法，结合眼底图像嵌入、基于文本的评估和结构化生物标志物，以增强可解释的预测。另一个框架使用带有堆叠集成（stacking ensemble）的Vision Transformer (ViT)来处理眼底图像和临床数据，…
-
扩散模型为青光眼视野提供概率性预测
研究人员开发了一种使用扩散模型预测青光眼视野的新方法，该方法可以生成合理未来结果的分布，而不是单一的确定性预测。这种方法考虑了疾病进展和测量变异性中的固有不确定性。在两个独立队列上的实验表明，基于扩散的预测经过校准良好，并且在减少为点估计时达到了最先进的准确性，优于临床基线和先前的基于学习的方法。
-
新的AI方法通过RNFL分析增强青光眼检测
研究人员开发了一种使用彩色眼底图像自动检测青光眼的新流程。该方法利用一种自适应算法进行基于椭圆的极坐标变换，以分析视网膜神经纤维层（RNFL），这是青光眼的关键生物标志物。介绍了两个框架：一个深度学习驱动的特征融合方法，检测率为99.3%；一个位平面切片图像处理算法，在推理速度更快的情况下准确率为92.31%。
-
新AI框架可根据眼部扫描预测青光眼进展
研究人员开发了DiffSight-Former，一个旨在利用连续眼底图像预测青光眼进展的新框架。该模型通过捕捉纵向结构和血管变化来解决现有方法的局限性，这些变化对于早期检测至关重要。DiffSight-Former集成了时变特征提取模块和多结构差异建模模块，并通过时间感知Transformer进行处理，以估计未来的青光眼发病。
-
为视网膜血管分割开发超轻量级AI模型
研究人员开发了LightVesselNet，这是一种新颖的、超轻量级的神经网络，用于分割视网膜血管。该模型包含不到10万个参数，使其适用于部署在资源受限的设备上，如移动筛查工具。尽管体积小，LightVesselNet在五个公共数据集上的表现与大型模型相比仍具有竞争力，有望在临床环境中实现对糖尿病视网膜病变和青光眼等疾病的早期检测。
-
日本电视节目探讨AI在医疗保健中的双重作用：早期检测与诊断风险
一档日本电视节目探讨了人工智能在医疗保健领域的潜在益处和风险。该节目强调了AI在早期检测青光眼等可能导致失明的疾病方面的能力。然而，节目也警示了潜在的陷阱，例如在紧急情况下可能出现的误诊。
-
AI系统将青光眼病例路由给人类专家
研究人员开发了MPD$^2$-Router，一个用于青光眼筛查的新型框架，该框架能够智能地将病例在AI和人类专家之间进行路由。该系统考虑了专家可用性、阅片者行为以及误诊的潜在危害等因素。通过整合不确定性、形态学和图像质量信号，MPD$^2$-Router旨在优化临床成本和诊断准确性。
-
深度核学习利用电子健康记录数据对青光眼患者风险轨迹进行分层
研究人员开发了一种新的深度核学习架构，以利用电子健康记录对青光眼患者风险进行分层。该模型采用基于Transformer的特征提取器和临床BERT嵌入来分析患者轨迹。该方法成功识别了三个不同的患者亚组，特别区分了疾病进展和当前严重程度，这可能有助于临床决策支持和靶向干预。