XiaoMi-AI文件搜索系统
World File Search System眼底
多发性硬化症的眼底自动荧光变化
视网膜是中枢神经系统（CNS）的扩展，与中枢神经系统共享共同的胚胎学起源。神经感觉视网膜和中枢神经系统从神经外胚层发展[1]。使用非侵入性视网膜成像方式诊断和监测神经退行性疾病的兴趣越来越大。多发性硬化症（MS）是一种自身免疫性疾病，其特征是CNS的炎症，脱髓鞘以及神经元和轴突变性，可能会出现视觉症状。视网膜变化也可能反映神经退行性疾病[2-6]。研究表明，多发性硬化症中不同视网膜神经层的感情。green等人在MS中具有视网膜组织，并描述了多发性硬化症中神经节和内部核细胞层核损失的视网膜广泛的视网膜[7]。尽管MS是一种脱髓性疾病，人类视网膜缺乏髓磷脂，但炎症
解剖种族差异对使用基于图像的深度学习模型对菲律宾视网膜眼底照片进行人工智能分析的影响，MD 1,2,3
人工智能 (AI) 是诊断和治疗视网膜疾病的一种可能改变范式的创新。深度学习 (DL) 是一种更新、更复杂的 AI 子类型，通常用于处理来自文本、音频和照片的信息。较旧的 AI 模型需要预先编程的指令来分析信息，而较新的 DL 算法可以基于之前输入的信息来“学习”新事物并得出结论。1 例如，DL 算法首先被教导什么是视网膜眼底照片。它学习如何识别正常标志。一旦它能够正确地做到这一点并遇到视网膜病变，它就会学会将其识别为异常发现。它可以学会这种病变是什么，然后 DL 算法识别特征并将其与之前训练的内容联系起来。当它在另一张图片中遇到它时，它应该能够识别它是什么，尽管它的外观有所不同。
个性化的镜头校正改善定量眼底自动荧光分析
1德国波恩大学医院波恩大学医院眼科科，德国波恩的生命与医学科学研究所3.萨尔茨堡癌症研究所免疫学和分子癌研究（SCRI-LIMCR）；奥地利萨尔茨堡的帕拉塞尔斯医科大学，奥地利的癌症集群4 Helmholtz中心慕尼黑 - 德国环境健康研究中心，计算生物学研究所，德国Neuherberg，德国Neuherberg 5眼科和视觉科学系，约翰·A·莫兰眼中中心，犹他州犹他州犹他州和犹他州梅雷克尔河畔犹他州的摩尔群岛，斯特拉斯91，巴塞尔，瑞士1德国波恩大学医院波恩大学医院眼科科，德国波恩的生命与医学科学研究所3.萨尔茨堡癌症研究所免疫学和分子癌研究（SCRI-LIMCR）；奥地利萨尔茨堡的帕拉塞尔斯医科大学，奥地利的癌症集群4 Helmholtz中心慕尼黑 - 德国环境健康研究中心，计算生物学研究所，德国Neuherberg，德国Neuherberg 5眼科和视觉科学系，约翰·A·莫兰眼中中心，犹他州犹他州犹他州和犹他州梅雷克尔河畔犹他州的摩尔群岛，斯特拉斯91，巴塞尔，瑞士
使用深度学习的视网膜眼底图像早期检测青光眼的框架” 2279
摘要：青光眼是一种高度危险的眼部疾病，可显着影响人类视力。这是一种视网膜状况，会损害视神经头（ONH），如果在后期发现，可能会导致永久失明。预防永久性失明取决于青光眼在其初始阶段的及时识别和干预。本文介绍了卷积神经网络（CNN）模型，该模型利用特定的建筑设计来通过分析底面图像来识别早期青光眼。这项研究利用了公开访问的数据集，包括用于青光眼分析和研究的在线视网膜底面图像数据库（ORIGA），视网膜的结构化分析（凝视）和视网膜眼底青光眼挑战（避难所）。为了对青光眼进行分类，视网膜底面图像被送入Alexnet，VGG16，Resnet50和InceptionV3模型中。RESNET50和InceptionV3模型都证明了出色的性能，以创建混合模型。ORIGA数据集以97.4％的F1得分达到了高精度，而凝视数据集则获得了更高的精度，而F1分数为99.1％。避难数据集也表现出色，F1得分为99.2％。所提出的方法已经建立了可靠的青光眼诊断系统，帮助眼科医生和医生进行准确的质量筛查和诊断青光眼。
深度卷积神经网络的合奏比董事会认证的眼科医生更准确和可靠，在视网膜眼底照片中检测多种疾病
摘要旨在开发一种算法，以准确可靠地从眼底照片中对多种视网膜病理进行分类，并验证其针对人类专家的绩效。方法，我们训练了一个深卷积合奏（DCE），这是五个卷积神经网络（CNN）的集合，将视网膜眼底照片分类为糖尿病性视网膜病（DR），青光眼，与年龄相关的黄斑变性（AMD）和正常眼睛。CNN体系结构基于InceptionV3模型，并且在Imagenet数据集上预估计了初始权重。我们使用了来自12个公共数据集的43 055底面图像。然后在100张图像的“看不见”集上测试了五个训练有素的合奏。要求七位认证的眼科医生对这些测试图像进行分类。结果认证的眼科医生在所有类别中达到72.7％的平均准确性，而DCE的平均准确性为79.2％（p = 0.03）。与眼科医生相比，DCE对DR分类的平均F1得分平均得分更高（76.8％vs 57.5％； P = 0.01），但在统计学上更高，但统计学上不显着的F1得分的F1得分（83.9％vs 75.7％； P = 0.10）和正常（85.9％vs; amd; 85.9％vs; （73.0％vs 70.5％; p = 0.39）。DCE在准确性和自信之间具有更大的平均一致性，而自信为81.6％vs 70.3％（p <0.001）。讨论我们开发了一个深度学习模型，发现与董事会认证的眼科医生相比，它可以更准确，可靠地对四类眼底图像进行分类。这项工作提供了算法能够仅使用眼底照片对多种视网膜疾病进行准确和可靠的识别的原则证明。
特刊人工智能用于眼底照相机和扫描激光检眼镜图像的自动叠加
眼底视网膜成像和荧光血管造影数据，利用视网膜图像中视网膜血管树的存在。6 Mahapatra 等人应用生成对抗网络在注册文件的监督下注册多模态图像，这些注册文件由其他传统方法获得。7 然而，在这两项研究中，叠加方法仅限于用相同相机和相同视野拍摄的视网膜图像，只是波长不同（用标准相机拍摄的荧光血管造影和彩色眼底图像）。此外，人工智能已用于分析单模态图像分析以对疾病进行分类或检测，10-12 但目前还没有方法可以共定位和分析多个成像和功能数据。因此，作为应用人工智能分析多仪器成像和功能研究的初步步骤，我们尝试将来自扫描激光平台的图像叠加到眼底照相机平台上。这些成像平台利用不同的光学路径和不同类型的照明（扫描激光与泛光照明）。我们选择使用红外扫描激光检眼镜 (IR SLO) 图像作为原型 SLO 图像来叠加到彩色眼底 (CF) 上。照片是用眼底照相机拍摄的，因为所有接受光学相干断层扫描 (OCT) 扫描的患者都会进行此类成像，而且红外图像的光学和纵横比预计与用 SLO 拍摄的自发荧光 (AF) 或多色 (MC) 图像相似并因此适用于这些图像，所以这些结果可能适用于许多类型的图像。我们注意到 SLO 图像是使用与 CF 图像不同的光学和仪器拍摄的，因此这似乎是确定 AI 代理是否可以通过检查血管位置来完成这种叠加的良好开端。这项研究的创新之处在于，我们对一种新型 AI 算法在多模态视网膜图像配准方面的表现进行了严格的、隐蔽的研究。我们的算法能够执行图像配准，而无需大量手动注释的真实图像集。
人工智能通过眼底照片检测视乳头水肿
结果 来自 6779 名患者的训练和验证数据集包括 14,341 张照片：9156 张正常视盘、2148 张有视乳头水肿的视盘和 3037 张有其他异常的视盘。分类为正常的百分比在各个部位从 9.8% 到 100% 不等；分类为有视乳头水肿的百分比在各个部位从 0 到 59.5% 不等。在验证集中，系统以 AUC 为 0.99（95% 置信区间 [CI]，0.98 至 0.99）区分有视乳头水肿的视盘与正常视盘以及有非视乳头水肿异常的视盘，以 AUC 为 0.99（95% CI，0.99 至 0.99）区分正常视盘与异常视盘。在 1505 张照片的外部测试数据集中，该系统对视乳头水肿检测的 AUC 为 0.96（95% CI，0.95 至 0.97），灵敏度为 96.4%（95% CI，93.9 至 98.3），特异性为 84.7%（95% CI，82.3 至 87.1）。
人工智能通过眼底照片检测视乳头水肿
结果 6779 名患者的训练和验证数据集包括 14341 张照片：9156 张正常视盘、2148 张有视乳头水肿的视盘和 3037 张有其他异常的视盘。分类为正常的百分比在各个部位从 9.8% 到 100% 不等；分类为有视乳头水肿的百分比在各个部位从 0 到 59.5% 不等。在验证集中，系统以 AUC 为 0.99（95% 置信区间 [CI]，0.98 至 0.99）区分有视乳头水肿的视盘与正常视盘以及有非视乳头水肿异常的视盘，以 AUC 为 0.99（95% CI，0.99 至 0.99）区分正常视盘与异常视盘。在 1505 张照片的外部测试数据集中，该系统检测视乳头水肿的 AUC 为 0.96（95% CI，0.95 至 0.97），灵敏度为 96.4%（95% CI，93.9 至 98.3），特异性为 84.7%（95% CI，82.3 至 87.1）。
人工智能识别视网膜眼底图像，...
目的：评估深度学习算法在视网膜眼底图像中执行不同任务的性能：（1）检测视网膜眼底图像与光学相干断层扫描 (OCT) 或其他图像，（2）评估优质视网膜眼底图像，（3）区分右眼 (OD) 和左眼 (OS) 视网膜眼底图像，（4）检测老年性黄斑变性 (AMD) 和 (5) 检测可转诊的青光眼性视神经病变 (GON)。患者和方法：设计了五种算法。从包含 306,302 张图像的数据库（Optretina 的标记数据集）进行回顾性研究。三位不同的眼科医生（均为视网膜专家）对所有图像进行分类。数据集按患者分为训练（80%）和测试（20%）两部分。采用了三种不同的 CNN 架构，其中两种是定制设计的，以最小化参数数量，同时对其准确性的影响最小。主要结果测量是曲线下面积 (AUC)，包括准确度、灵敏度和特异性。结果：视网膜眼底图像的测定 AUC 为 0.979，准确度为 96%（灵敏度 97.7%，特异性 92.4%）。高质量视网膜眼底图像的测定 AUC 为 0.947，准确度为 91.8%（灵敏度 96.9%，特异性 81.8%）。OD/OS 算法的 AUC 为 0.989，准确度为 97.4%。AMD 的 AUC 为 0.936，准确度为 86.3%（灵敏度 90.2%，特异性 82.5%），GON 的 AUC 为 0.863，准确度为 80.2%（灵敏度 76.8%，特异性 83.8%）。结论：深度学习算法可以将视网膜眼底图像与其他图像区分开来。算法可以评估图像的质量，区分右眼和左眼，并以高水平的准确度、灵敏度和特异性检测 AMD 和 GON 的存在。关键词：人工智能、视网膜疾病、筛查、视网膜眼底图像