macular degeneration
PulseAugur coverage of macular degeneration — every cluster mentioning macular degeneration across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的RED-Sphere框架增强了医学图像分类器的鲁棒性
研究人员开发了RED-Sphere，一个旨在提高医学图像分类器在新患者群体上应用时鲁棒性的新框架。这个即插即用的系统解决了因外观和采集风格差异导致在某一数据集上训练的分类器在其他数据集上表现不佳的挑战。RED-Sphere通过识别和减轻对捷径敏感的干扰响应，使用一致性和分离损失对掩码视图进行正则化，并使用归一化的球面原型进行预测。在严格的仅限白人哈佛-FairVision协议下，对年龄相关性黄斑变性和糖尿病视网膜病变的眼底分类进行测试…
-
AI框架精确分割黄斑变性监测的视网膜生物标志物
研究人员开发了一个新的深度学习框架，旨在精确分割和测量光学相干断层扫描（OCT）图像中的视网膜萎缩和椭圆区厚度。该自动化系统使用三个专业模型来识别和描绘视网膜色素上皮（RPE）丢失区域、椭圆区（EZ）边界和布鲁赫氏膜。该框架在298个SD-OCT数据集上进行了测试，并在独立数据集上进行了验证，在分割方面表现出高精度，在EZ厚度测量方面表现可靠，为在临床和真实世界环境中监测年龄相关性黄斑变性（AMD）提供了一个强大的工具。
-
新方法提高黄斑变性诊断的光学相干断层扫描图像质量
研究人员开发了一种新颖的、使用流匹配的测试时自适应方法，以提高光学相干断层扫描（OCT）的图像质量。该技术通过直方图匹配合成参考轨迹来对齐噪声输入，从而解决了OCT图像中的不一致性，特别是来自低成本设备的图像。该方法还消除了时间条件，以更好地处理现实世界的噪声变化，在年龄相关性黄斑变性生物标志物的分割方面取得了最先进的成果。
-
人工智能通过模拟视网膜植入物学习恢复视力
研究人员开发了一种新颖的方法，使用基于模型的深度强化学习来改进视觉假体。该系统训练一个智能体来组装各向同性和各向异性形状，模仿视网膜上植入物产生的磷状幻影，以在模拟视网膜环境中渲染可理解的图像。该方法旨在通过更有效地利用各向异性磷状幻影来提高患有年龄相关性黄斑变性等疾病的患者的视力，这是朝着更好的人工恢复视力迈出的一步。
-
OcularChat MLLM通过交互式解释准确诊断年龄相关性黄斑变性
研究人员开发了OcularChat，这是一个从Qwen2.5-VL微调的多模态大语言模型（MLLM），旨在利用彩色眼底照片诊断年龄相关性黄斑变性（AMD）。该模型接受了超过70万次模拟对话和46,000张图像的训练，在识别AMD特征方面表现出高准确性，并优于现有的MLLM。OcularChat还展现了提供临床推理和交互式解释的能力，获得了眼科医生好评的主观评价。