optical coherence tomography
PulseAugur coverage of optical coherence tomography — every cluster mentioning optical coherence tomography across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
深度学习模型量化人工耳蜗纤维化
研究人员开发了一种新颖的深度学习模型，称为 2D-OCT-UNET，用于量化人工耳蜗内的纤维化。该模型基于修改后的 U-Net 架构，分析光学相干断层扫描 (OCT) 图像，以识别和测量可能阻碍听力功能的纤维组织。该研究成功地将计算机视觉技术应用于植入式豚鼠的 OCT 数据，证明了人工耳蜗纤维化负担的可靠计算，并为改善人工耳蜗植入患者的预后提供了一种新工具。
-
RetiWave-Mamba网络在视网膜疾病检测中达到98.25%的准确率
研究人员开发了RetiWave-Mamba，一种新颖的双流网络，用于利用光学相干断层扫描（OCT）图像进行视网膜疾病的早期准确检测。该框架整合了空间-频率域学习与最先进的状态空间模型，采用离散小波变换将结构上下文与细粒度细节分离开来。该系统在OCT-C8数据集上实现了98.25%的最先进分类准确率，证明了其在嘈杂条件下识别视网膜病变的有效性。
-
新的TRIAGE框架以更少标记数据提升OCT分类准确性
研究人员开发了TRIAGE，一个新颖的半监督框架，旨在提高视网膜光学相干断层扫描（OCT）分类的准确性。该方法通过采用具有不对称成本矩阵的风险控制方法来解决标记数据不足的挑战，该矩阵考虑了不同类型的分类错误。TRIAGE集成了分层分类器、患者分组的保形风险控制器以及用于跨切片验证的Transformer教师。该框架已展示出显著的性能提升，在标记数据最少的情况下实现了高准确率和AUC分数，并且优于现有的半监督方法，特别是在降低低估率方面。
-
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。
-
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。
-
新的空间归一化框架改进了OCT视网膜层分割
研究人员开发了一种新颖的空间归一化框架，以提高光学相干断层扫描（OCT）图像中视网膜层分割的准确性和泛化能力。该方法借鉴了神经影像学技术，将OCT体积数据与通用的解剖学参考对齐，解决了由不同采集协议和患者群体引起的域偏移问题。研究表明，这一预处理步骤提高了不同深度学习架构之间分割的一致性，从而为神经退行性疾病研究提供了更可靠的生物标志物提取。
-
新理论探索用于成像散斑噪声的深度学习
研究人员开发了一种基于极大极小理论的似然性深度学习方法，以解决合成孔径雷达和光学相干断层扫描等成像模态中的散斑噪声问题。该新框架能够处理乘性散斑噪声和加性高斯噪声，并兼容低维和稀疏高维特征。研究建立了有限样本上界，并推导了极大极小下界，表明与仅含加性高斯噪声的模型相比，估计的内在难度基本未变。
-
人工智能融合OCT和OCTA图像以改善糖尿病视网膜病变诊断
研究人员开发了一种新颖的跨模态融合技术，结合了光学相干断层扫描（OCT）和OCT血管造影（OCTA）正面图像，以改善糖尿病视网膜病变的诊断。该方法利用双向跨模态注意力网络整合结构OCT数据和血管OCTA信息。在两个数据集上的实验表明，融合方法显著优于仅依赖OCT数据的模型，其中翻译后的OCTA（TR OCTA）显示出与地面真实OCTA相当或更优的结果，并增强了对领域迁移的鲁棒性。
-
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。
-
人工智能利用多模态成像合成视网膜血管造影
研究人员开发了一个新框架，可以从眼底图像和光学相干断层扫描（OCT）扫描中合成荧光素血管造影（FFA）。该方法解决了先前仅依赖眼底摄影方法的局限性，后者无法捕捉功能性血管信息。新框架整合了来自OCT扫描的结构化指导，为视网膜血管评估提供了更全面的方法。
-
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）。
-
新的Re-M3Dr框架改进了用于眼病预测的多模态回归
研究人员开发了一个名为Re-M3Dr的新型多模态回归框架，以改进眼科平均偏差（MD）的预测。虽然结合光学相干断层扫描（OCT）和眼底摄影（FP）直观上可以提高性能，但研究发现，由于数据分布不平衡和模态学习冲突，多模态融合的性能通常不如单模态模型。Re-M3Dr通过基于自适应边界的监督对比学习来改进单模态表示，并通过锐度感知梯度调制来稳定联合优化，从而解决了这些问题。实验表明，与最先进的多模态方法相比，Re-M3Dr的均方误差（MSE）…
-
综述回顾了视网膜OCT图像分析中的表示学习
本文综述了在眼科领域应用于光学相干断层扫描（OCT）图像的表示学习方法。文章回顾了从早期深度学习到当前基础模型和视觉-语言系统的技术。该综述按学习范式对方法进行分类，包括监督学习、自监督学习和生成式方法，并讨论了它们的贡献和局限性。文章还涵盖了数据集、评估协议，并确定了未来的研究方向，如体积基础模型的预训练和隐私保护训练。
-
AI模型在无专家标注的情况下检测视网膜异常
研究人员开发了一种新颖的无监督异常检测框架，用于光学相干断层扫描（OCT）成像，旨在克服诊断视网膜疾病对专家标注的依赖。这种新方法在不需要病灶标签的情况下学习健康视网膜解剖结构的模式，提高了临床环境的效率。该框架结合了层感知监督和结构化三元组学习，以区分健康组织和病理组织，在多个数据集上取得了强劲的性能，并优于现有的无监督方法。