XiaoMi-AI文件搜索系统
World File Search System眼底
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
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）。
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
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
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）。
一种根据眼底图像对青光眼进行分类的融合技术
引言青光眼是导致失明的常见视网膜疾病，占 13%。视网膜结构发生变化，逐渐导致周边视力丧失，如果不及时治疗，最终会导致失明。青光眼目前无法治愈，但及早发现和治疗有助于防止视力丧失。由于人工诊断过程昂贵且容易出错，因此人们致力于在早期实现青光眼的自动检测 [1]。青光眼是一组与视野同时出现功能障碍有关的眼部疾病。结构变化的症状是神经视网膜边缘缓慢缩小，表示视神经轴突和星形胶质细胞退化。由于视神经的任何丧失都无法恢复，因此及早发现和治疗对于患者保留视力至关重要。青光眼主要分为两种类型：1) 原发性开角型青光眼 (POAG) 和 (ii) 闭角型青光眼 (ACG)。前者进展缓慢，有时几年内视力不会明显下降。如果早期诊断，治疗包括药物治疗。后者需要手术，因为需要切除一小部分虹膜外缘。在最新研究中，人们投入了大量精力基于计算机视觉自动诊断青光眼。青光眼分析系统的结构取决于所使用的图像提示和图像模式的类型。在用于诊断青光眼的结构图像提示中，基于视盘和视杯的提示非常重要。视盘位于聚集在视网膜中的神经节纤维附近。视杯是视盘凹陷的地方，纤维从这里通过视神经头 (ONH) 从视网膜出来。需要找到杯状和视盘结构的边界，因为它有助于评估青光眼的线索，如视盘和杯状不对称和高杯状与视盘比 (CDR)，后者被描述为垂直杯状直径与垂直视盘直径之间的比率。在物理勾勒出视盘和杯状的轮廓后，通过彩色眼底图像的平面测量来评估 CDR 的值。由于手动注释每个图像的杯状和视盘的过程涉及
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。
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。
