可用于高度近视眼底照相人工智能深度学习图像标注标准分析

高度近视指屈光度在600度(-6.00 D)及以上的近视,是导致低视力及盲的主要原因之一。高度近视以眼轴增长为特点,后极部巩膜拉伸引起各种并发症,如视乳头形态结构变化、视网膜劈裂、黄斑裂孔、脉络膜新生血管、脉络膜视网膜萎缩、周边部视网膜变性以及后巩膜葡萄肿等,这些并发症均会威胁视力,导致不可逆的视网膜感光细胞损伤,进而造成视功能丢失[1]。人工智能(artificial intelligence,AI),是计算机科学的分支,是一种能够模拟人类智能行为和思维过程的系统。

基于深度学习的视网膜毛细血管无灌注区智能识别定量分析系统在CRVO缺血分型诊断中的应用

目的探讨一种基于深度学习的视网膜毛细血管无灌注区(NPA)智能识别定量分析系统在视网膜中央静脉阻塞(CRVO)缺血分型诊断中的应用价值。方法回顾性病例系列研究。选取2017年1月至2018年12月经山西省眼科医院门诊确诊为CRVO并行荧光素眼底血管造影(FFA)检查的343例343眼患者纳入本研究。随访并记录患者自发病起1年内是否发生新生血管并发症。应用人工智能诊断系统计算CRVO患者后极部55°视野范围NPA面积,受试者工作特征曲线(ROC)分析该NPA面积对CRVO发生新生血管并发症的诊断价值。结果343例CRVO患眼中有26眼发生了新生血管并发症,发病率7.58%。依据NPA面积判断CRVO患者是否发生新生血管并发症的曲线下面积为0.889(95%CI0.799~0.978,P<0.001)。最佳截断值为20.997视盘面积(DA),灵敏度为0.808,26眼新生血管并发症患者中有21眼NPA值大于该值;特异度为0.946,317眼无并发症患者中有300眼NPA值小于该值。结论基于深度学习的NPA智能识别定量分析系统可为CRVO分型诊断提供决策依据。55°视野范围后极部NPA>20 DA可作为CRVO缺血分型的阈值标准。

基于生成对抗网络与双注意力的糖网分类方法

针对在糖尿病视网膜病变分类过程中,因为数据集不均衡、类间特征相似、类内又存有差异,从而导致最终分类准确率不高的问题,提出了一种结合生成对抗网络与双注意力的分类方法AIDnet。首先,在ACGAN网络后加入转置卷积进行改进,生成轻度NPDR、重度NPDR、 PDR的图像平衡数据集;其次,在InceptionV3网络的基础上加入双注意力机制(DAM),在减少计算开销的同时提升性能;最后,利用焦点损失函数增加难以识别病变的权重,减少易识别病变的权重,高效提取DR图像的细节特征。实验结果表明,AIDnet网络在Kaggle数据集上的自动分类准确率为89.53%,敏感度为82.45%,特异性为93.26%;在Messidor2上的准确率达到90.31%,敏感度达到89.28%,特异性达到93.31%。较其他分类方法而言,AIDnet分类效果良好,有助于提高糖尿病视网膜病变的分类准确率。

一种用于视网膜静脉阻塞分类和病变检测的混合卷积神经网络

视网膜静脉阻塞(Retinal Vein Occlusion,RVO)是最常见的视网膜血管疾病之一。提出一种用于视网膜静脉阻塞分类和病灶识别的混合卷积神经网络,将压缩优化后的VGG卷积神经网络(Convolutional Neural Network,CNN)结合类激活层(Class Activation Mapping,CAM)网络构建复合模型,完成眼底彩照上的RVO分类和无监督病变区域识别。通过由山西省眼科医院三位高级眼科医生收集和标记的2962个真实数据进行仿真实验,模型的分类准确率、召回率和F1值均在0.95以上。