检索结果-内蒙古大学图书馆

中华实验眼科杂志 2021年第9期39卷 769-775页

作者：周雪婷杨卫华华骁游齐靖孙晶沈建新万程南京航空航天大学电子信息工程学院 211106 南京医科大学附属眼科医院眼科人工智能大数据实验室 210001 南星程智能有限公司 210046

目的构建循环生成对抗网络(CycleGAN)对模糊、曝光不足、曝光过度等低质量眼底图像进行质量提升,并对其效果进行评估。方法从EyePACS数据集中分别选取700张高质量和700张低质量眼底图像作为本研究的数据集。对数据集图像进行裁剪并统一... 详细信息

目的构建循环生成对抗网络(CycleGAN)对模糊、曝光不足、曝光过度等低质量眼底图像进行质量提升,并对其效果进行评估。方法从EyePACS数据集中分别选取700张高质量和700张低质量眼底图像作为本研究的数据集。对数据集图像进行裁剪并统一缩放至512×512分辨率。采用2个生成模型和2个判别模型构建CycleGAN,生成模型根据输入的低/高质量眼底图像生成匹配的高/低质量图像,判别模型判别原始图像和生成图像。将本研究提出的算法与限制对比度自适应直方图均衡化(CLAHE)、动态直方图均衡化(DHE)、带色彩恢复的多尺度Retinex(MSRCR)3种图像增强算法的结果进行视觉定性评估,并采用清晰度、BRISQUE、色度、饱和度作为定量指标进行评估。应用糖尿病视网膜病变(DR)诊断网络对原图及不同算法增强图像进行诊断;并比较其准确度和特异度。结果CycleGAN算法对模糊、曝光不足、曝光过度3类低质量眼底图像的增强均取得最优效果,增强后的眼底图像对比度高、色彩丰富,视盘、血管结构清晰。CycleGAN算法增强的图像清晰度仅次于CLAHE算法;BRISQUE质量分数为0.571,比CLAHE、DHE和MSRCR算法分别高出10.2%、7.3%和10.0%;色度和饱和度分别为103.03、123.24,均高于其他算法;该算法增强100张图像仅需35 s,仅次于CLAHE算法,在速度上具有明显优势。CycleGAN算法增强的图像在DR诊断中的准确率和特异度分别为96.75%和99.60%,均较原图有所提高。结论CycleGAN可有效提升模糊、曝光不足、曝光过度眼底图像的质量,并有效提高计算机辅助DR诊断系统的准确率,可能在眼科临床诊断中有很大的应用价值。

关键词：深度学习图像增强循环生成对抗网络眼底图像

来源：评论

学校读者我要写书评

暂无评论

基于眼底彩色照相的常见眼底疾病智能辅助诊断轻量化模型研究

引用

中华眼底病杂志 2022年第2期38卷 146-152页

作者：陆兵吴茂念郑博朱绍军郝秀兰陈楠侯泽江蒋沁杨卫华湖州师范学院信息工程学院湖州313000 浙江省现代农业资源智慧管理与应用研究重点实验室杭州313000 南京医科大学附属眼科医院眼科人工智能大数据实验室南京210029

目的观察基于眼底彩色照相的常见眼底疾病六分类智能辅助诊断轻量化模型的诊断价值。方法应用研究。采集南京医科大学附属眼科医院和浙江省数理医学学会智能眼科数据库的2400张彩色眼底像数据集,该数据集经脱敏处理及眼底病专科医师标注... 详细信息

目的观察基于眼底彩色照相的常见眼底疾病六分类智能辅助诊断轻量化模型的诊断价值。方法应用研究。采集南京医科大学附属眼科医院和浙江省数理医学学会智能眼科数据库的2400张彩色眼底像数据集,该数据集经脱敏处理及眼底病专科医师标注,包括糖尿病视网膜病变、青光眼、视网膜静脉阻塞、高度近视、老年性黄斑变性、正常眼底像各400张。训练时使用迁移学习方法,将经典分类模型VGGNet16、ResNet50、DenseNet121和轻量化分类模型MobileNet3、ShuffleNet2、GhostNet在ImageNet数据集上训练获得的参数迁移到六分类常见眼底疾病智能辅助诊断模型作为初始化参数,进行训练并获得最新模型。选取临床患者彩色眼底像1315张作为测试集。评价指标包括灵敏度、特异性、准确度(Accuracy)、F1-Score和诊断试验的一致性(Kappa值);比较不同模型的受试者工作特征曲线以及曲线下面积值。结果与经典分类模型比较,3种轻量化分类模型的储存大小和参数量均显著降低,其中ShuffleNetV2平均每张识别时间较经典分类模型VGGNet16快438.08 ms。3个轻量化分类模型的准确度均>80.0%;Kappa值均>70.0%,具有显著一致性;对正常眼底图像诊断的灵敏度、特异性、F1-Score均≥98.0%;宏观F1分别为78.2%、79.4%、81.5%。结论基于眼底彩色照相的常见眼底疾病智能辅助诊断轻量化模型识别准确率高、速度快;储存大小和参数量均较经典分类模型显著降低。

关键词：视网膜疾病人工智能诊断,计算机辅助轻量化模型

来源：评论

学校读者我要写书评

暂无评论

人工智能应用于眼科的积极作用及其伦理问题

引用

国际眼科杂志 2022年第6期22卷 1020-1024页

作者：王妍茜王成虎张竞月徐曼华彭正虹聂业康刚劲西南医科大学附属医院眼科中国四川省泸州市646000 南京医科大学附属眼科医院眼科人工智能大数据实验室中国江苏省南京市210000 西南医科大学人文与管理学院人文教研部中国四川省泸州市646000

人工智能被描述为“第四次工业革命”,借助互联网和大数据发展的推动,眼科成为走在这一浪潮的前沿学科,展现出一片蓬勃发展的良好前景。人工智能现已应用于多种眼部疾病的辅助筛查、诊断及治疗,辅助完成角膜、屈光、白内障等相关手术;... 详细信息

人工智能被描述为“第四次工业革命”,借助互联网和大数据发展的推动,眼科成为走在这一浪潮的前沿学科,展现出一片蓬勃发展的良好前景。人工智能现已应用于多种眼部疾病的辅助筛查、诊断及治疗,辅助完成角膜、屈光、白内障等相关手术;帮助实现分级诊疗、远程医疗和改良眼科人才培养模式,并参与眼健康管理及眼科教育。人工智能为人类带来福祉的同时也带来了若干伦理问题,其中与医学伦理相关的诊治失误责任划分、患者信息隐私保护、人文关怀及其公平性、日益发展的人工智能与不完善的伦理及法律等矛盾尤为突出。人工智能必须在正确的价值导向下,遵守相应的伦理规范,才能在临床实践不断成熟和完善。本文综述了人工智能背景下眼科发展现状及面临的伦理困境,旨在为促进其在眼科领域的健康发展提供参考。

关键词：人工智能伦理眼科学疾病诊疗健康管理法律

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络的翼状胬肉病灶分割研究

引用

国际眼科杂志 2022年第6期22卷 1016-1019页

作者：朱绍军方新闻郑博吴茂念杨卫华湖州师范学院信息工程学院中国浙江省湖州市313000 浙江省现代农业资源智慧管理与应用研究重点实验室中国浙江省湖州市313000 南京医科大学附属眼科医院眼科人工智能大数据实验室中国江苏省南京市210029

目的:通过深度卷积神经网络方法对翼状胬肉病灶进行精准分割。方法:在PSPNet模型结构的基础上构建Phase-fusion PSPNet网络结构用于翼状胬肉病灶的分割,该网络在金字塔池化模块后接入阶段上采样模块,以分阶段增大为原则逐步上采样,减少... 详细信息

目的:通过深度卷积神经网络方法对翼状胬肉病灶进行精准分割。方法:在PSPNet模型结构的基础上构建Phase-fusion PSPNet网络结构用于翼状胬肉病灶的分割,该网络在金字塔池化模块后接入阶段上采样模块,以分阶段增大为原则逐步上采样,减少信息丢失,适合于边缘模糊的分割任务。将南京医科大学附属眼科医院提供的翼状胬肉眼表图像517张分为训练集(330张)、验证集(37张)、测试集(150张),其中训练集和验证集图像用于训练,测试集图像仅用于测试。比较翼状胬肉病灶智能分割和专家标注的结果。结果:构建Phase-fusion PSPNet网络结构针对测试数据集的翼状胬肉病灶分割单类平均交并比(MIOU)和平均像素精确度(MPA)分别为86.31%和91.91%;翼状胬肉单类交并比(IOU)和像素精确度(PA)分别为77.64%和86.10%。结论:卷积神经网络可以实现翼状胬肉病灶的精准分割,有助于为医生进行进一步疾病诊断和手术建议提供重要参考,同时实现翼状胬肉智能诊断的可视化。

关键词：翼状胬肉图像分割深度学习卷积神经网络 PSPNet

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的翼状胬肉自动分类系统研究

引用

国际眼科杂志 2022年第5期22卷 711-715页

作者：何楷吴茂念郑博杨卫华朱绍军金玲湖州师范学院信息工程学院中国浙江省湖州市313000 浙江省现代农业资源智慧管理与应用研究重点实验室中国浙江省湖州市313000 南京医科大学附属眼科医院眼科人工智能大数据实验室中国江苏省南京市210029

目的:评估基于深度学习的翼状胬肉自动分类诊断系统的应用价值。方法:在2020-05/2021-04期间,从南京医科大学附属眼科医院共收集750张翼状胬肉正常、观察期和手术期眼前节图片。在原始数据集和增强数据集上分别训练7个三分类模型。测试... 详细信息

目的:评估基于深度学习的翼状胬肉自动分类诊断系统的应用价值。方法:在2020-05/2021-04期间,从南京医科大学附属眼科医院共收集750张翼状胬肉正常、观察期和手术期眼前节图片。在原始数据集和增强数据集上分别训练7个三分类模型。测试临床470张图片,比较数据增强前后模型的泛化能力,确定可用于翼状胬肉自动分类系统的最好模型。结果:在原始数据集上训练最好模型的灵敏度平均值为92.55%,特异度平均值为96.86%,AUC平均值为94.70%。数据增强后,不同模型灵敏度、特异度和AUC平均提升3.7%、1.9%和2.7%。在增强数据集上训练的EfficientNetB7模型灵敏度平均值为93.63%,特异度平均值为97.34%,AUC平均值为95.47%。结论:在增强数据集上训练的EfficientNetB7模型取得最好的分类效果,可用于翼状胬肉自动分类系统。该自动分类系统能较好地诊断翼状胬肉疾病,有望成为基层医疗的有效筛查工具,也为翼状胬肉的细化分级研究提供参考。

关键词：人工智能深度学习翼状胬肉分类模型数据增强迁移学习

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的翼状胬肉智能诊断系统初步研究

引用

人工智能 2021年第3期 48-55页

作者：金玲颜智鹏陈楠郑博杨卫华南京医科大学眼科医院江苏省南京市210029 湖州师范学院信息工程学院浙江省湖州市313000 南京医科大学附属眼科医院眼科人工智能大数据实验室江苏省南京市210029

本研究评估基于深度学习的翼状胬肉智能诊断系统的应用价值。收集了2019年12月至2020年8月在南京医科大学眼科医院门诊就诊的正常及翼状胬肉患者的眼前节照相624张,用于训练集和测试集,训练出翼状胬肉智能诊断模型。专家诊断组显示61眼(... 详细信息

本研究评估基于深度学习的翼状胬肉智能诊断系统的应用价值。收集了2019年12月至2020年8月在南京医科大学眼科医院门诊就诊的正常及翼状胬肉患者的眼前节照相624张,用于训练集和测试集,训练出翼状胬肉智能诊断模型。专家诊断组显示61眼(32.4%)为正常眼前节组,127眼(67.6%)患有不同程度的翼状胬肉;其中翼状胬肉观察组62眼(33.0%),翼状胬肉需手术组65眼(34.6%)。而智能诊断结果显示64眼(34.0%)为正常眼前节组,翼状胬肉观察组55眼(29.2%),翼状胬肉需手术组69眼(36.7%)。在正常眼前节组中,智能诊断的灵敏度为0.983,特异度为0.921,Kappa值为0.916,ROC曲线下方面积(Area Under Curve,AUC)为0.964。在翼状胬肉观察组中,智能诊断的灵敏度为0.872,特异度为0.818,Kappa值为0.666,AUC为0.823。在翼状胬肉需手术组中,智能诊断的灵敏度为0.924,特异度为0.811,Kappa值为0.745,AUC为0.878。本研究揭示基于深度学习的翼状胬肉人工智能诊断系统能较好提示翼状胬肉的不同分期,能够为翼状胬肉提供一种新的智能辅助诊断工具,并提出基本的诊疗建议。

关键词：人工智能深度学习翼状胬肉辅助诊断

来源：评论

学校读者我要写书评

暂无评论

基于眼底彩照的人工智能技术在高度近视筛查中的创新应用与探索

引用

人工智能 2021年第3期 105-112页

作者：陈楠金玲郑博钱湧杨卫华侯泽江南京医科大学附属眼科医院江苏省南京市210029 湖州师范学院信息工程学院浙江省湖州市313000 江苏省医疗器械检验所江苏省南京市210019 南京医科大学附属眼科医院眼科人工智能大数据实验室江苏省南京市210029

当前,近视已成为威胁眼健康的公共卫生问题,致盲性高度近视的患病率逐年升高。高度近视的早期发现需要眼科医生进行检查,但是全世界没有足够的眼科医生进行此检查。人工智能使用眼底彩色图像数据进行自动诊断的方法无创且容易获得,在高... 详细信息

当前,近视已成为威胁眼健康的公共卫生问题,致盲性高度近视的患病率逐年升高。高度近视的早期发现需要眼科医生进行检查,但是全世界没有足够的眼科医生进行此检查。人工智能使用眼底彩色图像数据进行自动诊断的方法无创且容易获得,在高度近视的筛查中非常有用。利用深度学习技术开发用于高度近视眼底病变辅助诊断的计算机自动分级系统,将眼科专家的高度近视病变标注信息作为输入信息训练卷积神经网络和深度残差网络,能够自动进行高度近视眼底彩色照相的分级评价,有较高的临床分级诊断效率和准确率,高度近视人工智能辅助诊断模型对高度近视病变判别的准确率达94.65%,与眼科专家的诊断一致性达95.93%,是适合基层眼科的可信、可及、可用的重要技术手段。

关键词：近视人工智能深度学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：