跳到主要内容
检索

# 糖尿病视网膜病变分级

2 篇关联报道

订阅更新
  1. Scientific Reports

    视网膜分级不再只看原图：增强病灶与血管图分两路，糖网五级分期准确率93.32%

    视网膜疾病分级此前多依赖原始彩色眼底图，低对比病灶和细血管容易被光照与噪声淹没。F2D-RetinaNet把增强后的绿通道与血管图分成两条支路分别学习，再融合成一次分级决策。在APTOS 2019的糖网五级分期上准确率为93.32%，比只用RGB图像的基线高3.25个百分点；在严格排除重叠图像的外部DREAM-RFI集上准确率为87.14%。

    Malaviya National Institute of Technology JaipurUniversity of Johannesburg
    Mukesh Delu（第一作者）Pilani Nkomozepi（通讯作者）Priyanka Harjule（通讯作者）
    F2D-RetinaNet 双路径视网膜网络分数阶各向异性扩散混合增强分数阶Hessian注意力U-Net视网膜血管分割糖尿病视网膜病变分级
  2. Retina

    用Oracle筛选的合成眼底图像增强糖尿病视网膜病变分级，ConvNeXt的二次加权kappa从0.6350提升到0.7695，增殖期DR召回率翻倍

    该研究在辅助数据集上预训练StyleGAN3与Medfusion，并用域匹配的Oracle网络通过潜在空间拒绝采样和类别条件SDEdit升级对合成图像进行严格筛选，随后在印度DR图像数据集上以ConvNeXt、ResNet50、VGG16三种架构和五个随机种子评估下游分级，结果显示仅用真实数据训练的ConvNeXt基线二次加权kappa为0.6350±0.0135，加入筛选后的StyleGAN3合成数据提升至0.7185±0.0309，加入Medfusion合成数据提升至0.7695±0.0254（绝对提升0.1345），且Medfusion将增殖期DR的召回率从0.2615±0.1595提高

    Changchun University of Science and TechnologyJilin UniversitySecond Affiliated Hospital of Jilin University
    Jiashi Zhao（第一作者）
    数据增强糖尿病视网膜病变分级StyleGAN3Medfusion

已读完全部报道