optic disc
PulseAugur coverage of optic disc — every cluster mentioning optic disc 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。
-
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UPolarSQ框架改进了眼底图像中的视盘和PPA分析
研究人员开发了UPolarSQ，一个用于分割和量化眼底照片中视盘（OD）和视盘周围萎缩（PPA）的新颖框架，特别针对近视引起的改变。该系统利用极坐标表示来映射以OD为中心的区域，从而能够更准确地模拟不规则的PPA边界。UPolarSQ采用基于U-Net的分割网络，并带有一个专门的模块来捕捉各向异性极坐标特征和径向过渡，从而能够确定性地提取诸如视盘形状和PPA宽度等临床生物标志物。
-
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%。
-
深度学习从视网膜图像预测阿尔茨海默病风险因素
研究人员开发了能够从视网膜图像预测 12 种阿尔茨海默病风险因素的深度学习模型。这些模型在英国生物银行超过 62,000 张图像上进行训练，分析了视神经盘和血管等视网膜结构。研究发现，这些深度学习衍生的视网膜表征在后来患上阿尔茨海默病的人与匹配的对照组之间显示出显著差异，表明视网膜变化与阿尔茨海默病前期的易感性之间存在关联。