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
-
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。
-
新型 OptiModNet 模型以高效率实现了最先进的视盘分割效果
研究人员开发了 OptiModNet，这是一种新颖的混合深度学习架构，旨在实现视盘和视杯的高效准确分割。该模型结合了 U-Net 和 Transformer 的元素，并融入了分组查询和通道注意力机制，以改善局部和全局特征表示。OptiModNet 还利用了聚合金字塔损失来增强梯度流动和结构一致性。在 REFUGE2 数据集上进行评估，该模型取得了最先进的性能，比现有方法提高了 2.5% 以上，同时保持了 3.73 GFLOPs 和 1…
-
人工智能分析视网膜图像，绘制种群遗传学和青光眼风险图
研究人员利用立体视网膜照片的定量形状表型分析了诺福克岛一个近交群体的种群结构。采用深度神经网络将视盘形状分解为层次特征，然后利用这些特征识别不同的群体。这种图像分析方法有可能揭示青光眼和其他眼部疾病的新遗传风险因素。
-
新的度量学习方法分析视网膜图像，优于神经网络
研究人员开发了一种新颖的度量学习方法，结合了归一化压缩距离（NCD）和各向异性结构增强滤波器来分析和可视化3D视网膜图像的差异。该方法旨在克服神经网络等非度量方法的局限性，后者可能引入系统性失真。与医生测量的视野功能变化相比，NCD测量的结构差异在验证时显示出约0.5 dB的预测误差，优于非度量深度学习方法。提出了归一化压缩向量（NCV）作为测量视觉差异的特征集，并在青光眼患者和非人灵长类动物模型上进行了演示。
-
新型AI模型提高青光眼检测准确性
研究人员开发了一种新颖的平衡软专家混合模型，旨在提高青光眼检测的准确性。该模型利用三个独立的专家和一个负载均衡损失函数来克服多模态学习中的挑战，例如不平衡的单模态表示。所提出的方法在AUC测量方面，与单模态基线、传统多模态模型以及现有的最先进的平衡多模态方法相比，表现更优。研究人员还建议，该模型的架构可以推广用于检测其他疾病，包括糖尿病视网膜病变。
-
AI框架整合视网膜知识用于高级青光眼筛查
研究人员开发了一种新颖的框架，利用眼底图像进行青光眼筛查，整合了动态多尺度特征学习与解剖学先验知识。该方法通过采用三分支结构来分析全局视网膜上下文、视杯/视盘特征和病理区域，解决了纯粹数据驱动模型的局限性。一项关键创新是动态窗口机制，它自适应地识别信息图像块，以及知识增强卷积注意力模块，该模块利用预训练的基础模型（RETFound）来指导空间注意力和减少噪声。在AIROGS数据集上的评估显示，其性能达到最先进水平，AUC为98.5%，…
-
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。
-
新的CANDOR指标揭示了冻结AI编码器的弱点
一种名为CANDOR的新指标已被开发出来，用于评估机器学习中的冻结基础编码器，解决了先前受数据普遍性影响的方法的局限性。CANDOR使用等大银行来确保一半的固定机会水平，从而更准确地评估编码器辨别特征的能力。跨大量数据集和编码器的实验显示，虽然没有编码器是完全盲目的，但许多编码器的表现都很弱，有些甚至在识别鸟类物种或青光眼等特定任务上的表现比随机权重还要差。
-
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。