摘要。纵向成像能够捕获静态解剖结构和疾病进展的动态变化,并且患者特异性的病理学治疗更好。但是,检测糖尿病性视网膜病(DR)的常规方法很少利用纵向信息来改善DR分析。在这项工作中,我们研究了利用纵向性质的自我监督学习的好处,以诊断。我们比较了不同的纵向自我监督学习(LSSL)方法,以模拟疾病从纵向视网膜色眼底照片(CFP)进行疾病的进展,以使用一对连续考试来检测早期的DR严重性变化。实验是在有或没有那些经过训练的编码器(LSSL)的纵向DR筛选数据集上进行的,该数据集(LSSL)充当了持久的借口任务。Results achieve an AUC of 0.875 for the baseline (model trained from scratch) and an AUC of 0.96 (95% CI: 0.9593-0.9655 DeLong test) with a p-value < 2.2e-16 on early fusion using a simple ResNet alike architecture with frozen LSSL weights, suggesting that the LSSL latent space enables to encode the dynamic of DR progression.
传统上,DR 筛查是通过个人的视网膜检查来完成的,每年由视网膜专家进行;然而,预计 2021 年将有 5.37 亿成年人患有糖尿病 (4),这种方法是不可持续的 (5)。因此,为了扩大筛查计划的覆盖面,已经提出并实施了新的替代方案。姚洋博士及其合作者开展的一项研究“AIDRS 筛查系统在中国患者眼底照片中检测糖尿病视网膜病变的表现:一项前瞻性、多中心、临床研究”最近获批在《转化医学年鉴》上发表,研究了一种用于筛查中国 (6) DR 的人工智能 (AI) 系统,中国是世界上糖尿病患者最多的国家 (4),每年有超过 1.1 亿患者需要接受筛查 (6)。在根据 STARD 指南设计的一项精心设计的多中心研究中,作者报告称,在检测可转诊的 DR 方面,其灵敏度为 86.72%(95% CI:83.39–90.05%),特异性为 96.09%(95% CI:94.14–97.54%)。中国监管机构认为其准确度足够,该系统目前已获准在中国使用。
摘要 简介 本研究旨在评估基于离线智能手机的 Medios 人工智能 (AI) 算法在使用免散瞳 (NM) 视网膜图像诊断糖尿病视网膜病变 (DR) 方面的性能。 方法 这项横断面研究前瞻性招募了 922 名糖尿病患者。使用 Remidio NM 手机眼底 (FOP) 相机采集每只眼睛的 NM 视网膜图像(以视盘和黄斑为中心)。图像离线运行并记录 AI 的诊断(存在或不存在 DR)。将 AI 的诊断与五位视网膜专家的图像诊断进行比较(大多数诊断被视为事实)。 结果 分析包括 900 名个体(252 人患有 DR)的图像。对于任何 DR,AI 算法的灵敏度和特异性分别为 83.3%(95% CI 80.9% 至 85.7%)和 95.5%(95% CI 94.1% 至 96.8%)。AI 算法在检测可转诊 DR (RDR) 方面的灵敏度和特异性分别为 93%(95% CI 91.3% 至 94.7%)和 92.5%(95% CI 90.8% 至 94.2%)。结论 Medios AI 在使用 NM 视网膜图像检测 RDR 方面具有较高的灵敏度和特异性。
鉴于视网膜健康与神经退行性疾病之间的已知相关性,深度学习算法可能能够从视网膜图像中获得有关脑疾病的信息。15的确,越来越多的文献证明了神经退行性疾病的进展与医生观察的视网膜发现之间的相关性,例如视网膜小动脉和静脉口径,血管折磨,视网膜层厚度,视网膜层厚度和光盘椎间盘形态学。16未来的研究可能会集中于确定光学相干断层扫描(OCT),OCT血管造影(OCT-A)和彩色眼底图像中包含的信息。15此类研究还需要考虑无法从视网膜成像中获得哪些信息。10月,Act-a和底面成像允许对视网膜特征进行详细的定量和定性分析。OCT使用光的反射率来微图像视网膜和视盘的解剖结构。周围乳腺视网膜神经纤维层(PRNFL)和黄斑神经节细胞层和内丛状层(MGCIPL)特别涉及神经退行器态,而其他标记,例如黄斑体积和脉络膜厚度,也已研究。OCT-A通过在时间上比较视网膜层
评估生物相容性是将新材料作为脑机接口候选材料引入的一个核心必要步骤。异物反应通常会导致神经胶质疤痕,从而阻碍接口的性能。石墨烯具有高导电性和大的电化学窗口,是用于视网膜假体电刺激的候选材料。在本研究中,制造了由嵌入聚酰亚胺/SU-8 基底上的化学气相沉积 (CVD) 石墨烯组成的非功能性装置,用于生物相容性研究。这些装置被植入盲 P23H 大鼠的视网膜下方。通过光学相干断层扫描 (OCT) 和眼底监测植入物,结果表明在进行组织学研究前长达 3 个月内,植入物在体内具有高度稳定性。通过共聚焦成像进行的小胶质细胞重建表明,与单独的聚酰亚胺相比,聚酰亚胺上的石墨烯的存在减少了视网膜中的小胶质细胞数量,从而表明具有很高的生物相容性。这项研究强调了一种有趣的方法来评估中枢神经系统组织模型(视网膜)中的材料生物相容性,该方法易于通过光学和手术进入。
近年来,眼科引起了科学界和临床界的广泛关注。全球老龄化人口中眼科疾病的数量正在增加。在许多情况下,通过早期发现和及时采取行动可以预防失明。自 2016 年发表了几篇关于使用深度学习筛查糖尿病视网膜病变 (DR) 的开创性著作以来,人工智能研究,尤其是深度学习,在眼科领域蓬勃发展 (6-8)。眼科诊断很大程度上依赖于影像检查。随着光学相干断层扫描 (OCT) 和眼底照相的广泛应用,基于人工智能的深度学习方法可以快速、无创地评估大量图像数据集并识别、定位和量化疾病特征 (9-11)。最初,大多数眼科人工智能研究集中在后段疾病上,例如 DR、老年性黄斑变性 (AMD)、青光眼和早产儿视网膜病变 (ROP) (7,12,13)。近年来,人工智能在眼前节疾病及影像学方面的研究不断涌现(14-16)。基于图像识别的医疗辅助诊断系统有利于开展大规模人群疾病筛查,提高临床工作效率,为缓解医疗资源短缺提供新思路。此外,人工智能与远程医疗的结合,也正在成为解决医疗资源短缺的另一种可行方案(17)。
扩散概率模型 (DPM) 近期成为计算机视觉领域最热门的话题之一。其图像生成应用(如 Imagen、潜在扩散模型和稳定扩散)已展示出令人印象深刻的生成能力,引发了社区的广泛讨论。此外,许多近期研究发现 DPM 可用于多种其他视觉任务,包括图像去模糊、超分辨率和异常检测。受 DPM 成功的启发,我们提出了 MedSegDiff,这是第一个基于 DPM 的用于一般医学图像分割任务的模型。为了增强用于医学图像分割的 DPM 中的逐步区域注意力,我们提出了动态条件编码,它为每个采样步骤建立状态自适应条件。此外,我们提出了特征频率解析器 (FF-Parser) 来消除此过程中高频噪声成分的负面影响。我们在三种不同图像模态的医学分割任务上验证了 MedSegDiff 的有效性,包括眼底图像上的视杯分割、MRI 图像上的脑肿瘤分割和超声图像上的甲状腺结节分割。我们的实验结果表明,MedSegDiff 的表现比最先进的 (SOTA) 方法有相当大的性能差距,证明了所提模型的泛化和有效性。关键词:扩散概率模型、医学图像分割、脑肿瘤、视杯、甲状腺结节
1)超宽的底层眼底成像:临床应用和未来趋势的综述。2016 2)通过两个超宽场底摄像机对眼底图像进行定量比较;眼科视网膜,2020年。3)使用两个超宽的底面成像系统,Clarus®和OptoS™系统评估糖尿病性视网膜病变; BMC眼科,2018年。4)在常规临床实践中,共聚焦激光扫描眼镜检查和宽线眼镜成像之间的宽字体成像的比较;奥斯利,2020年。5)与扩张的标准7-filed 35mm摄影和视网膜专家检查相比,非乳化性超级视网膜视网膜成像用于评估糖尿病性视网膜病变; 《美国眼科杂志》,2012年。6)糖尿病远程医疗计划中视网膜病变的实时超级现场图像评估,糖尿病护理,2015年7)成功的干预措施,以提高效率并减少视网膜练习中的患者访问时间。视网膜,2021。8)所有涵盖的实体必须安全备份“ Ephi的可检索确切副本”(CFR 164.308(7)(ii)(a))。9)所有数据必须备份到网站上。HIPAA最终安全性(CFR 164.308(a)(7))。
一名28岁的男子自童年以来就降低了夜视和黑暗适应性,渐进的视野缺陷,眩光和表现时,两只眼睛中最校正的视力均降低至0.63(ETDRS)。底眼镜概念在两只眼睛中都有苍白的眼底,带有脉络膜萎缩,导致巩膜和大型脉络膜血管暴露,广泛的色素结块以及一个相对保存的视网膜中心岛。这些临床发现指向绒毛膜血症,通过多模式视网膜成像,电生理测试和基因检测证实。绒毛膜血症是由CHM基因突变引起的一种罕见的X连锁隐性视网膜变性。当怀疑脉络膜血症时,必不可少的综合临床表征,包括分子基因检测。脉络膜血症治疗的最新进展包括体内基因增强疗法。由于眼睛的可及性和较大的治疗窗口,这种疾病非常适合基因治疗方法,通常具有早期诊断,并且通常良好的视力敏锐度,直到视网膜变性涉及中央凹性。目前,在不同阶段的临床试验中进一步探讨了体内基因增强疗法。
摘要 — 医学图像分析经常遇到数据稀缺的挑战。迁移学习在解决此问题的同时还节省了计算资源,是一种有效的方法。最近出现了一些基础模型,例如使用视觉变换器架构的 DINOv2,这为该领域开辟了新的机遇,并引起了人们的极大兴趣。但是,DINOv2 在临床数据上的表现仍需验证。在本文中,我们使用三种临床脑 MRI 数据模式执行了神经胶质瘤分级任务。我们在迁移学习环境中比较了各种预训练深度学习模型(包括基于 ImageNet 和 DINOv2 的模型)的性能。我们的重点是了解冻结机制对性能的影响。我们还在其他三种类型的公共数据集上验证了我们的发现:胸部 X 光检查、眼底 X 光检查和皮肤镜检查。我们的研究结果表明,在我们的临床数据集中,DINOv2 的性能不如基于 ImageNet 的预训练模型,而在公共数据集中,DINOv2 通常优于其他模型,尤其是在使用冻结机制时。在不同任务中,不同大小的 DINOv2 模型的性能相似。总之,DINOv2 适用于医学图像分类任务,特别是对于类似于自然图像的数据。然而,它的有效性可能会因与 MRI 等自然图像有显著差异的数据而有所不同。此外,采用较小版本的模型就足以完成医疗任务,从而节省资源。我们的代码可在 https://github.com/GuanghuiFU/medical dino eval 获得。