Octans
PulseAugur coverage of Octans — every cluster mentioning Octans across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新图方法提升视网膜疾病预测可解释性
研究人员开发了一种新颖的生物信息异构图表示方法，以提高用于预测糖尿病视网膜病变的机器学习模型的可解释性。该方法对视网膜血管节段和其他关键特征进行建模，将预测任务构建为图级分类问题，并使用图神经网络解决。该方法实现了 84% 的 AUC-ROC，并在精确识别异常血管和无灌注区域方面优于现有方法，为临床决策支持提供了详细的解释。
-
ARCOS框架实现眼科相干断层扫描设备跨设备角膜层零样本分割
研究人员开发了ARCOS，一种用于分割眼科相干断层扫描（OCT）图像中角膜层的新型框架。这种基于块的零样本边界定位方法可以预测角膜界面的热图，然后将这些热图拼接起来以创建连续的层分割。ARCOS在跨设备评估中表现出高精度，优于现有的分割基线，并支持角膜形态学的定量分析。
-
新的分割模型有望用于追踪眼部疾病病灶
研究人员开发并评估了四个病灶分割流程，包括AMD和DME的2D和3D变体，在同域验证集上实现了0.76至0.82的Dice分数。这些流程显示出强大的体积和表面校准能力，相关性达到0.97或更高。该研究还引入了一个全体积、校准感知的采用标准，以识别切片级别评估所遗漏的机制，发现集成组合持续提高了性能。在外部临床队列（OLIVES）上使用生物标志物AUROC和纵向一致性等代理指标进行测试时，模型在追踪训练分布之外的临床生物标志物方面显示出…
-
研究论文质疑OCTA合成方法对临床的效用
一篇题为“为OCTA辩护：OCT到OCTA合成中的重建-效用差距”的新研究论文认为，目前从结构性光学相干断层扫描（OCT）数据合成光学相干断层扫描血管造影（OCTA）图像的方法，过于侧重视觉重建而非临床效用。研究发现，尽管合成图像可能获得高重建分数，但它们未能准确表示精细的毛细血管网络，其中一个合成器在下游任务上的表现显著下降。研究人员建议，应根据OCT-to-OCTA合成对下游临床任务的保真度来评估其性能，而不仅仅是视觉相似性。
-
新型AI模型NerveDetNet使用OCT检测组织下的神经
研究人员开发了一种新颖的无标记框架，使用光学相干断层扫描（OCT）和名为NerveDetNet的深度学习模型来检测完整组织下的外周神经。该系统集成了手持式多模态探头，结合OCT、白光和自发荧光成像，在手术过程中提供皮下引导。NerveDetNet是一个轻量级分割网络，能有效从稀疏采样的OCT体积中恢复微弱的神经信号，达到0.725的Dice分数，并能在不打开组织或使用造影剂的情况下实现深度分辨检测，检测深度可达组织表面以下1.4毫米。
-
MARIO挑战赛显示AI在AMD检测方面可媲美医生，但在预测方面落后
在MICCAI 2024上举办的MARIO挑战赛，专注于利用深度学习分析光学相干断层扫描（OCT）图像，以检测和监测年龄相关性黄斑变性（AMD）。该挑战赛包含两项任务：对OCT扫描之间的变化进行分类，以及预测接受抗VEGF治疗的患者未来AMD的演变。虽然AI模型在分类当前AMD进展方面表现出医生级别的性能，但它们尚不能预测疾病的未来轨迹。
-
DualDiT：扩散Transformer生成逼真的OCT图像和分割掩码
研究人员开发了DualDiT，一种新颖的条件双输出扩散Transformer，用于同时生成光学相干断层扫描（OCT）图像及其对应的分割掩码。该方法旨在解决标注医学成像数据稀缺的问题，特别是对于小鼠眼部OCT扫描，因为手动分割耗时。DualDiT将图像和掩码模态编码到共享的潜在空间中，实现联合合成，并在生成质量和感知真实性方面优于现有的扩散模型，如DDPM和LDM，并得到了领域专家的验证。DualDiT生成的合成数据也被证明在增强下游分…
-
新AI模型通过不确定性估计改进视网膜积液分割
研究人员开发了一种用于分割光学相干断层扫描（OCT）图像中视网膜积液的注意力引导式TransUNet模型。该模型通过引入域自适应归一化方案和不确定性估计，解决了不同OCT扫描仪之间分割模型性能下降的挑战。不确定性估计能有效突出专家判读意见不一致的区域，提供有价值的临床分诊信号。
-
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。
-
EyeMVP模型通过配对的CFP-OCT预训练增强视网膜分析
研究人员开发了EyeMVP，这是一种用于视网膜图像分析的新型基础模型，它整合了彩色眼底摄影（CFP）和光学相干断层扫描（OCT）的数据。EyeMVP在来自超过112,000名患者的配对CFP-OCT图像的大型数据集上进行了预训练，学会了利用OCT衍生的结构信息来增强CFP表示。这使得在推理过程中仅使用CFP图像即可进行更准确的诊断，在检测黄斑水肿和近视性黄斑劈裂等任务上的表现优于现有模型和人类眼科医生（在探索性研究中）。
-
深度学习模型使用OCT和OCTA扫描准确分期AMD
研究人员开发了深度学习模型，利用光学相干断层扫描（OCT）和OCT血管造影（OCTA）数据自动分期年龄相关性黄斑变性（AMD）。这些模型在AMD严重程度分级方面表现出强大的性能，与参考标准有实质性的一致性。一个基于生物标志物的模型显示出最高的整体性能，并且在检测早期AMD方面特别有效。
-
《校外人生》创下年度烂番茄评分纪录
浪漫题材剧集《校外人生》(Off Campus) 在烂番茄上创下了过去一年评论家和观众综合评分的纪录。该剧以总分186分的成绩，险胜了《激烈竞争》(Heated Rivalry) 和《永远》(Forever) 等其他热门剧集。该剧可在亚马逊上观看，并且是今年该平台上评分第三高的剧集，显示出其获得了显著的评论界和观众的赞誉。
-
OphMAE基础模型通过多模态成像推进眼科诊断
研究人员开发了OphMAE，一种用于眼科诊断的新型基础模型，它整合了3D光学相干断层扫描（OCT）和2D正面OCT成像。OphMAE在超过183,000张OCT图像上进行了预训练，在17项诊断任务上取得了最先进的性能，包括年龄相关性黄斑变性（AMD）的96.9% AUC。该模型通过在仅使用2D单模态输入时仍保持高准确性，以及在标记数据有限的情况下表现出强大的性能，展示了其适应性。
-
SAIL框架利用解剖学先验知识增强视网膜成像中的AI可解释性
研究人员开发了一个名为SAIL（结构感知可解释学习）的新框架，以提高用于视网膜疾病诊断的光学相干断层扫描（OCT）的深度学习模型的可解释性。现有方法常常无法准确描绘解剖结构或尊重边界，从而阻碍了临床信任。SAIL将解剖学先验知识与语义特征相结合，在不改变标准事后可解释性技术的情况下，生成更清晰、更具临床意义且与解剖学对齐的解释。