视网膜血管系统是指示眼科疾病的重要结构。然而,虽然存在许多用于分割视网膜血管的方法,但实际上专注于将视网膜血管分成动脉树和静脉树的方法要少得多。有一种方法,首先对血管进行分段和细化,然后使用局部邻居信息来识别分叉和交叉以构建树。还有一种分组算法,通过使用扩展卡尔曼滤波器最大化血管的连续性,迭代地将未分组的片段连接到分组的片段。还有一种结构映射方法,首先检测地标,然后使用基于路径的图方法来解决问题。还有使用建模为SAT问题的图来分离动脉树和静脉树。可以动态改变图结构来解决一些冲突,但是需要手动输入来初始化标签,并且如果某些冲突无法解决。这些现有方法通常依赖于局部和/或贪婪决策,并且相应地容易受到局部错误的影响,特别是在局部图像信息模糊和/或自动血管分割中不准确的情况下。一些常见错误包括:(a) 当一根血管失踪或断开连接时,会错误分类为分叉点;(b)由于血管只部件缺失而使血管断开;(c)识别由于虚假血管造成的虚假分叉和交叉。此外,复杂的地标很难用局部知识来识别。
糖尿病视网膜病变是导致失明的主要原因之一,影响约 78% 的人,糖尿病病史为 15 年或更长时间。DR 经常导致脉管系统结构的逐渐变化并导致异常。DR 是通过目视检查视网膜眼底图像是否存在视网膜病变来诊断的,例如微动脉瘤 (MA)、视网膜内微血管异常 (IRMA)、非灌注区和新生血管。这些病变的检测对于 DR 的诊断至关重要。 已经有一些工作使用眼底图像进行 DR 诊断 。随着越来越受欢迎,OCT 血管造影 (OCTA) 能够在微血管水平上非常详细地显示视网膜和脉络膜血管系统 。特别地,扫描源 (SS)-OCTA 还允许对脉络膜脉管系统进行单独评估。已经有一些工作使用 SS-OCTA 对糖尿病视网膜病变的定性特征进行分级。此外,超宽光学相干断层扫描血管造影成像 (UW-OCTA) 模式显示典型 OCTA 未捕获的视网膜周边病理负担较高。一些作品已经在 DR 分析中使用了 UW-OCTA 。传统的DR分级诊断主要依靠眼底照相和FFA,尤其是PDR,严重危害视力健康。FA主要用于检测有无新生血管。眼底摄影很难发现早期或小的新生血管病变。FA 是一种侵入性眼底成像,不能用于过敏、怀孕或肝肾功能不佳的患者。超宽OCTA可以无创检测DR新生血管的变化,是帮助眼科医生诊断PDR的重要成像方式。但是,目前还没有能够使用 UW-OCTA 进行自动 DR 分析的作品。在DR分析过程中,首先需要对UW-OCTA的图像质量进行评估,选择成像质量较好的图像。然后进行DR分析,例如病变分割和PDR检测。因此,构建灵活、鲁棒的模型以实现图像质量自动评估、病灶分割和 PDR 检测至关重要。为了促进机器学习和深度学习算法在UW-OCTA图像自动图像质量评估、病灶分割和PDR检测中的应用,促进相应技术在DR临床诊断中的应用,提供了一个标准化的超宽(扫描源)光学相干断层扫描血管造影(UW-OCTA)数据集,用于测试各种算法的有效性。有了这个数据集,不同的算法可以测试它们的性能并与其他算法进行公平的比较,并促进相应技术在DR临床诊断中的应用,提供标准化的超宽(扫描源)光学相干断层扫描血管造影(UW-OCTA)数据集,用于测试各种算法的有效性。
医学图像的自动分割是提取有用信息的重要步骤,可以帮助医生进行诊断。例如它可以用于分割视网膜血管,可以代表它们的结构并测量它们的宽度,从而可以帮助诊断视网膜疾病。
黄斑水肿是由过多积液引起的视网膜中央肿胀,表明血视网膜屏障功能受损(图 1)。它通常是由视网膜疾病引起的,例如新生血管性年龄相关性黄斑变性(AMD)、视网膜静脉阻塞(RVO)或糖尿病性黄斑水肿(DME),并导致突然和严重的视力丧失,影响大量的人。抗血管内皮生长因子(Anti-VEGF)药物的治疗非常有效,彻底改变了黄斑水肿的治疗方法。然而,抗 VEGF 药物的有效性取决于频繁监测、疾病重新激活的早期检测以及现有液体的范围。然而,抗 VEGF 药物的有效性取决于频繁监测、疾病重新激活的早期检测以及现有积液的范围。
今天将分享眼底动静脉分割完整实现版本,为了方便大家学习理解整个流程,将整个流程步骤进行了整理,并给出详细的步骤结果。感兴趣的朋友赶紧动手试一试吧。
聊起 AI,画面都充斥着机械语言:精密高级的芯片,光怪陆离的智能产业……你眼中的 AI 有什么样的能力?能给传统行业带来哪些变革与发展?基于此,云加社区联手知乎科技,从知乎AI 与传统行业相关话题中精选内容落地社区专题「 AI 与传统行业的融合 」。
Predicting myocardial infarction through retinal scans and minimal personal information
研究表明,各类眼科疾病以及心脑血管疾病会对视网膜血管造成形变、出血等不同程度的影响。随着生活水平的提高,这类疾病的发病率呈现逐年增长的趋势。临床上,医疗人员能够从检眼镜采集的彩色眼底图像中提取视网膜血管,然后通过对血管形态状况的分析达到诊断这类疾病的目的。
AV-casNet: Fully Automatic Arteriole-Venule Segmentation and Differentiation in OCT Angiography
视网膜的光学相干断层扫描 (OCT) 图像不仅提供了结构表示,而且还深入了解新生血管性年龄相关性黄斑变性 (nAMD) 中存在的病理变化。
在医疗科技的迅猛发展中,AI在重塑医疗诊断和治疗方式方面起着至关重要的作用。特别是在视网膜疾病及相关慢性病的早期筛查领域,AI技术的应用已经开始改写传统的医疗故事。
医学影像数据是非常珍贵的资源,收集和标注要耗费很大的人力和财力。今天这篇文章我将分享目前为止做过的医学影像诊断的一些公开数据集。 1、数字视网膜图像的血管提取(DRIVE)数据库 DRIVE数据库用于研究视网膜图像中的血管分割,由40组图像组成。下载地址:http://www.isi.uu.nl/Research/Databases/DRIVE/download.php
新智元报道 来源:Google blog、DeepMind 编辑:闻菲、常佩琦、艾霄葆 【新智元导读】谷歌大脑研究人员刚刚在官博上宣布了他们的最新研究成果,使用深度学习分析视网膜图像,以此预测心血管疾病突发的风险。使用深度学习来获得人体解剖学和疾病变化之间的联系,这是人类医生此前完全不知道的诊断和预测方法,不仅能帮助科学家生成更有针对性的假设,还可能代表了科学发现的新方向。 谷歌AI发现了人类医生尚未发现的诊断方法:用深度学习找到视网膜图像与心血管疾病联系 心脏病发作、中风和其他心血管疾病仍是最重要
光感受器细胞中拥有大量的线粒体,以满足视网膜组织高代谢速率的需求。但是,在糖尿病人体内,高血糖引发的代谢异常会增加机体的氧化压力,从而加速视网膜的微血管病变。因此,增强光感受器细胞内的抗氧化通路可以阻止 DR 中神经血管的损伤。成纤维细胞生长因子21(Fibroblast growth factor 21, FGF21)可以改善糖尿病人的代谢稳态,但是 FGF21 在 DR 中的作用研究还不多。
选自Google Blog 作者:Lily Peng 机器之心编译 参与:许迪、黄小天 近日,Jeff Dean 在其推特上说:「谷歌大脑团队在机器学习+医疗上再次取得新进展;我们有了令人鼓舞的新发现:非侵入式视网膜图像上含有机器学习模型可以介入的确诊心脑血管疾病的微妙指标,之前医生都不知道有这种迹象。」 心脏病、中风和其他心脑血管疾病一直是人类健康的头号杀手。评估这类风险是未来降低患者罹患心脑血管疾病的关键性第一步。为此,医生要考虑多种风险因子—比如遗传(性别或年龄)、生活习惯(抽不抽烟,血压等)。大部分
AI 科技评论按:Google Brain 团队近日发现一种使用机器学习来评估心脑血管疾病风险的新方法。这种方法通过分析病人的眼睛影像,能够精确地推断出包括病人年龄、血压、是否吸烟等的相关因素,通过这些因素可以预测病人遭受重大心脑血管疾病的风险——比如心脏病发作。 这种方法与当前最先进的方法相比具有大致相同的准确度,而其优点在于,可以为医生提供快速、便捷的方法来分析病人的心脑血管疾病,并且不需要血液测试。可能更为重要的是,这项工作代表了科学发现的一种新方法。 相关的工作(Prediction of card
视网膜光学相干断层扫描(OCT)是一种成像技术,用于捕获活体患者视网膜的高分辨率横截面。每年大约进行3000万次OCT扫描,对这些图像的分析和解释占用了大量时间。OCT被眼科医生大量使用以获得眼睛视网膜的高分辨率图像,同时也可用于诊断许多视网膜相关的眼病,因此OCT图像对医学图像处理任务中十分重要。
安妮 编译整理 量子位 出品 | 公众号 QbitAI 心脏病是一种常见的高发疾病。传统的治疗方法通常依赖于心电图、超声、X射线等大型仪器,可能不久后,会有一种更简单的心脏病检测方法问世。 视网膜图像
最初,GAN在被提出时,是一个无监督(无条件)的生成框架:例如在图像合成中,将随机噪声映射到逼真的目标图像。
回顾医学的历史,病菌感染曾一度困扰着人们:致病微生物也是看不见、摸不着的。微生物学鼻祖之一的罗伯特·科赫提出了一套科学验证方法——科赫法则(Koch's postulates),用于将某种病变与特定的病原体建立联系。这一方法随后成为传染病病原学鉴定的金标准。科赫也因此获得了 1905 年的诺贝尔生理学或医学奖。
秦勇,鹰瞳科技(Airdoc)COO,中国人工智能学会智慧医疗专委会委员,长期从事医疗人工智能方向的工作,拥有丰厚的项目经验、管理经验和技术积累,参与多个医院人工智能应用基地的建设项目,对人工智能在医学特别是眼科领域的应用有深入的研究,在核心期刊发表高水平论文十余篇。2021年11月5日,鹰瞳科技在香港联交所主板上市,被誉为“医疗AI第一股”。
大数据文摘出品 配眼镜的时候,就能看出来你有没有心脏病发作风险,是不是很神奇? 这不是什么科幻故事,而是一项正在走进现实的研究。 视网膜的微小血管或眼睛后部的细微变化可以显示出一个人可能有心脏病发作的迹象,这使得人工智能有了用武之地。 这项研究发表在Nature Machine Intelligence,题目就叫「通过视网膜扫描和最少的个人信息来预测心肌梗死」(Predicting myocardial infarction through retinal scans and minimal persona
选自Nature 作者:Amy Maxmen 机器之心编译 参与:黄小天、李泽南 生物医疗是机器学习技术应用对接的重要领域之一。近日,Nature 报道了谷歌运用深度学习技术(主要是卷积神经网络)在该领域取得的新突破。谷歌通过分析眼球的视网膜图像,可以预测一个人的血压、年龄和吸烟状况,而且初步研究表明,这项技术在防范心脏病发作上很有成效。深度学习技术正改变着生物医疗学家处理分析图像的方式,甚至有助于发现从未触及的现象,有望开辟一条新的研究道路。 眼睛通常被认为是心灵的窗口——但是谷歌研究者却将其看作人体健
谷歌及其子公司Verily的科学家们发现了一种利用机器学习来评估一个人患心脏病风险的新方法。通过分析病人眼睛后部的扫描结果,该公司的软件能够准确地推断出数据,包括个人的年龄、血压,以及他们是否吸烟。这些信息可以用来预测他们患心脏病的风险,比如心脏病发作,与目前的主要方法大致相同。 使用神经网络进行图像识别的优势是,你不必告诉它在图像中寻找什么,你甚至不需要关心它寻找什么。有了足够的训练,神经网络应该能够找出使其做出准确识别的细节。 就像要弄清楚图像中是否有猫一样,神经网络并不能提供比我们视觉系统中的实际神经
一来是因为许多在孕期的准妈妈,对这种疾病并不了解,直到出现症状了才去就诊,错过了最佳的治疗时机。
都说人工智能不能取代医生,只能成为医生的工具,很快,打脸的事情就要来了。据外媒报道,美国食品及药品管理局(FDA)首次批准了一种人工智能诊断设备,该设备不需要专家医生来解释结果。这是一个叫IDx-DR的AI软件,能够通过视网膜图片检测眼疾。
203室坐着一位护士,她只为你拍张视网膜照片。很快,旁边一台机器已经显示出检测结果了。
AI 科技评论消息, 10 月 26 日上午 8:30 分,由中国计算机学会(CCF)主办,福州市人民政府、福州大学承办,福建师范大学、福建工程学院协办的 2017 中国计算机大会(CNCC 2017
大数据文摘作品 编译:蒋宝尚 据外媒报道,美国食品和药物管理局(FDA)首次批准了一种人工智能诊断设备,该设备不需要专家医生来解释结果。这个名为IDx-DR的软件程序可以通过观察视网膜的照片来判断患者是否有眼科疾病。 它的工作原理是这样的:护士或医生上传病人视网膜的照片,这些照片是用专门的视网膜摄像机拍摄的。 IDx-DR软件首先判断照片的清晰度是否支持下一步的疾病判断。 然后,对这些合格图像进行分析,以确定病人是否患有糖尿病性视网膜病变。糖尿病性视网膜病变是糖尿病性微血管病变中最重要的表现,是一种具有特异
由Google的DeepMind Health,Moorfields眼科医院NHS基金会信托基金和伦敦大学学院(UCL)眼科学院创建的AI系统可以以94%的正确率确定案例中如何为验光患者进行推荐,可与顶级人类专家抗衡。
上个月,美国FDA批准了世界上第一款糖网筛查AI设备IDx-DR,可以独立检测而不需要医生解释结果。
编辑:刘小芹、张乾 【新智元导读】中国团队的研究成果发表在今天出版的《细胞》封面上,这是继克隆猴之后不到一个月内,中国科研成果再次发表在顶级生物学刊物上。本次研究成果是一款能精确诊断眼病和肺炎两大类疾病的人工智能(AI)工具,它的总体准确度达到了96.6%。这个 AI 系统利用基于图像的深度学习,使用视网膜 OCT 图像对黄斑变性和糖尿病性视网膜病变进行分类,并可以在生物医学图像解读和医疗决策制定中实现广泛应用。 中国科学领域又一项突破与荣光。 今天出版的最新一期《细胞》封面,介绍了中国团队的研究成果。他们
很多老年人都会有眼睛黄斑部退化(又称老年性黄斑部病变)的毛病,会让视力开始变差,双眼中央视野模糊;最早还能使用倍数更高的放大镜来阅读,但到最后可能都看不清他人的面孔。 老年性黄斑部病变 老年性黄斑部
***温馨提示:本文大约1000字,阅读需要3~5分钟*** 人眼球后部的光敏层不止含有检测光和影的细胞,它也含有人体的健康信息。新研究提示,现在的人工智能(AI)可以从一次快照中收集人体的健康信息。 研究人员称,新的AI算法可用于分析眼睛光敏层即视网膜的成像,而这种分析将来某一天可提供从糖尿病到自体免疫疾病、神经退行性疾病等各种病痛的诊断。 本月早些时候在一个维也纳科学会议上,维也纳医科大学的眼科科室主任Ursula Schmidt-Erfurth博士做了AI算法的报告。有关算法研究发表于12月8号的
本文介绍由四川大学华西医院、澳科大医学院的张康教授主导,与多个机构合作发表于nature biomedical engineering的研究成果:使用深度学习模型仅根据视网膜眼底图像或与临床元数据(年龄、性别、身高等)相结合来识别慢性肾病(CKD)和2型糖尿病(T2DM),并预测疾病发展风险对患者进行分级。该研究有利于常见慢性病的早期发现和干预,医疗资源匮乏的偏远地区也将十分受益。
http://academictorrents.com/details/80ecfefcabede760cdbdf63e38986501f7becd49
【概要】谷歌旗下的DeepMind公司联合多家研究机构所开发出来的一套人工智能系统可以有效处理50多种眼科疾病,可与优秀的人类专家媲美。
Contrastive Semi-supervised Learning for Domain Adaptive Segmentation Across Similar Anatomical Structures
目前,该研究结果已在 Nature Medicine 上在线发布,展示了其 AI 系统能够对常规临床实践中的眼球扫描结果进行快速诊断,准确率打破以往记录。它可以准确推荐患有 50 余种危害视力的眼病患者进行转诊治疗,准确程度堪比世界顶级的专家医生。
目前的医学实践中,血管分割技术在眼底图像分析与计算机辅助眼病诊断中扮演着举足轻重的角色,它是医疗诊断、手术辅助设计的基础,且对早期发现和治疗不同的心血管病和眼部疾病(如中风、静脉阻塞、糖尿视网膜病变和动脉硬化)具有重要意义。
今日研究为继续上次论文中的一个内容:U-Net网络,于是找了一篇经典论文,并学习论文及代码解读。在学习U-Net网络后,使用U-Net神经网络提取视网膜纹理血管。
这篇文章中,作者将GTEx 的eQTLs和sQTLs、视网膜 的eQTLs和Hi-C,以及青光眼相关眼组织的single-nucleus RNA-seq数据与 POAG 和 IOP 的遗传关联结合起来,以确定可能在 POAG 病因学中发挥重要作用的调控机制、基因、通路和细胞类型。
在多种视网膜异常中,青光眼是世界上不可逆视力丧失的主要原因之一。它涉及视神经纤维的进行性变性。ONH(由视盘(OD)和视杯区域组成)的结构变化是评估青光眼损伤程度的标准方法之一。这些变化导致杯形,即杯相对于外径的扩大,并使用杯盘直径比 (CDR) 捕获。CDR 值较高表明眼睛中存在青光眼。不同的成像方式如光学相干断层扫描、海德堡视网膜断层扫描、眼底成像等用于评估青光眼。其中,彩色眼底(视网膜)成像是一种低成本、无创且最优选的视网膜疾病大规模筛查成像方式。视网膜图像是视网膜的真彩色二维投影。为了量化杯盘直径并估计青光眼的指示参数,任何自动化分析方法都必须从视网膜图像中准确分割OD和视杯区域。不规则的圆盘形状、不明确的OD区域边界和可变的成像条件使得OD分割问题具有挑战性。已经提出了多种用于OD 和视杯区域分割的方法。OD分割技术相当成熟,能够提供可靠的OD边界。相比之下,视杯分割仍然是一项具有挑战性的任务,因为深度是最好的标记(由于视网膜图像中的 2D 投影而丢失),并且提出的方法很少。在人类专家对视杯边界的手动标记中,观察者之间也存在很大的差异。
初学者的教程,在OCT视网膜图像上的pytorch中使用vgg16架构实现迁移学习。
最近,AI在11名女性的乳腺X光检查中,成功地发现了被人类医生遗漏的乳腺癌早期迹象。
今天将分享Top_Cow 2023的CTA和MRA的Willis环血管拓扑解剖结构分割解决方案分享,大家如果感兴趣可以留言一起讨论。
青光眼是导致不可逆性失明的主要原因,在早期阶段常常被忽视,但在晚期可能会导致严重的视力障碍和绊倒或交通事故等危险。通过彩色眼底照片 (CFP) 或光学相干断层扫描 (OCT) 等成像方式可检测到视神经乳头的变化,早期检测和治疗对于阻止其进展至关重要。CFP 的筛查尤其具有成本效益,可通过神经视网膜边缘变薄和视盘出血等指标提供对青光眼损伤的重要见解,并为持续监测提供基线记录。
熟悉深度学习的朋友们一定不会对卷积神经网络(CNN)感到陌生,与传统的全连接深度学习神经网络(DNN)相比,CNN具有权重参数共享、灵活的特征检测等特点,其一定程度上甚至独立于主流的DNN。关于CNN,大家可能都广泛知晓其背后的灵感来自于人视觉系统中一个叫感受野的(receptive field)概念。其实CNN只是借用了这一概念,其整体机制与人的视觉系统还是有很大的差别。读完本文后,您将会对此有更加清晰的认识,并可能为您在基于视频处理的下一代神经网络研究中提供些灵感。
翻译 | ziqi zhang 编辑 | Donna,波波 Luke Oakden-Rayner 是澳大利亚知名学府阿德莱德大学的在读医学博士生、放射线学专家,曾发表过多篇医疗人工智能方面的论文。他在顶级杂志《Nature》上发表的一项研究成果显示,其团队开创性地研发出可以预测人类寿命的仪器。他一直在追逐医疗AI领域的发展,从今年5月份开始,他写了一系列的博客来介绍这一领域的最新研究进展,目前更新到了第三篇,其系列博客的名字就叫《人类医学的终结 - 医学AI研究最前沿》(The End of Human
DeepMind提出了一个里程碑式的新AI框架,可以对眼科诊断中的三维扫描图像进行准确诊断,准确率达到甚至超过了专家水准。有关成果已在Nature发表。
领取专属 10元无门槛券
手把手带您无忧上云