GARDNet：用于彩色眼底图像中青光眼分类的鲁棒多视图网络

使用多个眼底图像数据集和深度学习进行早期青光眼检测

Early Glaucoma Detection using Deep Learning with Multiple Datasets of Fundus Images

University of Colorado Boulder（科罗拉多大学博尔德分校）

本研究提出基于EfficientNet-B0的深度学习流程，在ACRIMA、ORIGA和RIM-ONE三个数据集上依次训练微调以检测早期青光眼，发现最少预处理能获得更高AUC-ROC，且在未见数据集上表现出强泛化与判别能力，具有临床应用潜力。

2025-06-26cs.CVcs.LG

基于双向ConvLSTM的M-Net眼底图像杯盘分割

M-Net with Bidirectional ConvLSTM for Cup and Disc Segmentation in Fundus Images

University of Engineering and Technology Taxila（塔克西拉工程技术大学）

青光眼是一种严重的眼部疾病，已知会使视神经纤维恶化，导致杯大小增加，这可能导致永久性视力丧失。青光眼是仅次于白内障的第二大致盲原因，但青光眼更危险，因为它是不可治愈的。青光眼的早期诊断和治疗有助于减缓青光眼的进展及其损害。对于青光眼的检测，杯盘比（CDR）提供了重要的信息。CDR在很大程度上取决于杯和盘区域的准确分割。在本文中，我们提出了一种基于联合杯和盘分割的具有双向卷积长短期记忆（LSTM）的改进M-Net。所提出的网络结合了编码器和解码器的功能，以及双向LSTM。我们提出的模型分割的杯和盘区域的基础上，可以观察到杯盘比的异常。该模型在REFUGE 2数据上进行了测试，其中我们的模型对视盘的骰子得分为0.92，在分割杯和盘区域时的准确率为98.99

2021-04-08cs.CVcs.LGeess.IV

眼底图像的深度学习检测视盘以外的青光眼

Deep learning on fundus images detects glaucoma beyond the optic disc

KU Leuven（鲁汶大学）；UZ Leuven（鲁汶大学医院）；University of Porto（波尔图大学）；Centro Hospitalar e Universitário São João（圣若昂大学医院中心）；Hasselt University（哈瑟尔特大学）；University of Antwerp（安特卫普大学）；Flemish Institute for Technological Research（弗拉芒技术研究院）

尽管报告了前所未有的灵敏度和特异性值，但最近的青光眼检测深度学习模型缺乏决策透明度。在这里，我们提出了一种方法，在青光眼检测和垂直杯盘比（VCDR）（一个重要的风险因素）领域推进可解释的深度学习。我们使用经过一定裁剪策略的眼底图像来训练和评估深度学习模型。我们将裁剪半径定义为图像大小的百分比，以视神经乳头（ONH）为中心，等距间隔范围为10%-60%（ONH裁剪策略）。还应用了裁剪掩码的逆（外围裁剪策略）。使用原始图像的训练模型导致青光眼检测的曲线下面积（AUC）为0.94 [95% CI：0.92-0.96]，VCDR估计的决定系数（R^2）等于77% [95% CI：0.77-0.79]。在没有ONH的图像上训练的模型仍然能够获得显著的性能（在60% ONH裁剪的最极端设置中，青光眼检测的AUC为0.88 [95% CI：0.85-0.90]，VCDR估计的R^2评分为37% [95% CI：0.35-0.40]）。我们的研究结果提供了第一个无可辩驳的证据，证明深度学习可以从ONH以外的眼底图像区域检测青光眼。

2021-10-05cs.CVeess.IV

ELF：一种用于青光眼分级的端到端局部与全局多模态融合框架

ELF: An End-to-end Local and Global Multimodal Fusion Framework for Glaucoma Grading

University of Macau（澳门大学）

针对青光眼分级，提出端到端局部与全局多模态融合框架ELF，充分利用眼底图像与OCT的互补信息及局部和全局相互信息，在GAMMA数据集上验证了其有效性。

2023-11-14cs.CVeess.IV

面向眼底图像可解释青光眼筛查的数据中心化标签平滑

Data-Centric Label Smoothing for Explainable Glaucoma Screening from Eye Fundus Images

Computer Vision Center（计算机视觉中心）；Universitat Autònoma de Barcelona（巴塞罗那自治大学）；BCN Medtech（BCN医疗技术中心）；Universitat Pompeu Fabra（庞培法布拉大学）；ICREA（加泰罗尼亚研究与高级研究所）

本文提出一种数据中心化的定制标签平滑方法，融合多位不同水平标注者的信息以充分利用眼底图像数据，在高度不平衡的青光眼筛查多标签场景中超越标准 resnet50 和传统标签平滑模型。

2024-06-06cs.CVcs.LGeess.IV

2sRanking- CNN：使用CAM提取的ROI作为中间输入，用于从眼底图像诊断青光眼的2阶段排名CNN

2sRanking-CNN: A 2-stage ranking-CNN for diagnosis of glaucoma from fundus images using CAM-extracted ROI as an intermediate input

Korea University College of Medicine（高丽大学医学院）

青光眼是一种因眼内压升高而导致视神经慢性损伤，导致视野缺损的疾病。因此，在确诊青光眼之前对疑似患者进行监测和治疗是非常重要的。在本文中，我们提出了一个2阶段的排名CNN，将眼底图像分类为正常，可疑和青光眼。此外，我们提出了一种使用类激活图作为掩模过滤器，并将其与原始眼底图像作为中间输入相结合的方法。我们的研究结果比现有的3类CNN和ranking-CNN的平均准确率提高了约10%，特别是比3类CNN提高了20%以上的可疑类的灵敏度。此外，还发现提取的ROI与医生的诊断标准重叠。我们提出的方法预计将有效地应用于任何医疗数据，其中有一个可疑的条件之间的正常和疾病。

2018-07-04cs.CV

GAMMA挑战：多模态imAges中的青光眼grAding

GAMMA Challenge:Glaucoma grAding from Multi-Modality imAges

Baidu Inc.（百度公司）；Zhongshan Ophthalmic Center, Sun Yat-sen University（中山大学中山眼科中心）；Xiamen University（厦门大学）

彩色眼底照相和光学相干断层扫描（OCT）是青光眼筛查的两种最具成本效益的工具。两种模式的图像都有突出的生物标志物来指示疑似青光眼。临床上，通常建议同时进行两种筛查，以获得更准确和可靠的诊断。然而，尽管在计算机辅助诊断中提出了许多基于眼底图像或OCT体积的算法，但是仍然很少有利用这两种模式进行青光眼评估的方法。受我们之前举办的视网膜眼底青光眼挑战赛（REFUGE）的成功启发，我们设立了青光眼多模态影像分级（GAMMA）挑战赛，以鼓励基于眼底和OCT的青光眼分级的发展。挑战的主要任务是从2D眼底图像和3D OCT扫描体积对青光眼进行分级。作为GAMMA的一部分，我们公开发布了一个带有2D眼底彩色摄影和3D OCT体积的青光眼注释数据集，这是第一个用于青光眼分级的多模态数据集。此外，还建立了一个评估框架，以评估所提交的方法的性能。本次挑战赛共提交了1272个成绩，最终选出前10名进入决赛阶段。本文对他们的研究结果进行了分析，并对他们的研究方法进行了总结。由于所有这些团队都在挑战中提交了源代码，因此还进行了详细的消融研究，以验证所提出的特定模块的有效性。我们发现许多建议的技术是实用的青光眼的临床诊断。作为第一个深入研究眼底\OCT多模态青光眼分级，我们相信，伽马挑战赛将是未来研究的一个重要起点。

2022-12-26cs.CV

REFUGE2挑战赛：青光眼筛查多维分析和评价的宝库

REFUGE2 Challenge: A Treasure Trove for Multi-Dimension Analysis and Evaluation in Glaucoma Screening

Sun Yat-sen University（中山大学）；Baidu Inc.（百度公司）；Agency for Science, Technology and Research（新加坡科技研究局）；CONICET（阿根廷国家科学技术研究委员会）；UNICEN（阿根廷中央国立大学）；Medical University of Vienna（维也纳医科大学）；VUNO Inc.（VUNO公司）；Tencent（腾讯）

随着人工智能（AI）在医学图像处理中的快速发展，彩色眼底照相（CFP）分析中的深度学习也在不断发展。虽然在眼科界有一些开源的、有标签的CFPs数据集，但用于筛查的大规模数据集只有疾病类别的标签，而带有眼底结构注释的数据集通常尺寸较小。此外，各数据集的标签标准不统一，也没有关于采集设备的明确信息。在这里，我们发布了一个多注释，多质量和多设备的彩色眼底图像数据集，用于青光眼分析的原始挑战-视网膜眼底青光眼挑战第二版（REFUGE 2）。REFUGE 2数据集包含2000个彩色眼底图像，其中注释了青光眼分类、视盘/视杯分割以及中央凹定位。同时，REFUGE 2挑战赛设置了青光眼自动诊断和眼底结构分析三个子任务，并提供了在线评估框架。针对多设备、多质量数据的特点，提出了一些具有较强推广性的方法，使预测更加稳健。这表明REFUGE 2关注了现实世界多领域数据的特点，弥合了科学研究和临床应用之间的差距。

2022-12-29cs.CVeess.IV

使用位置编码CNN从眼底图像中增强视盘和杯分割并筛查青光眼

Enhanced Optic Disk and Cup Segmentation with Glaucoma Screening from Fundus Images using Position encoded CNNs

Indian Institute of Technology Madras（马德拉斯印度理工学院）

在这篇手稿中，我们提出了一个强大的方法，青光眼眼底图像筛选使用的卷积神经网络（CNN）的合奏。该流水线包括首先从眼底图像分割视盘和视杯，然后提取以视盘为中心的补丁，并随后馈送到分类网络以将图像区分为患病或健康。在分割网络中，除了图像之外，我们还利用空间坐标（X \& Y）空间，以便更好地学习感兴趣的结构。分类网络由DenseNet201和ResNet18组成，它们在大量自然图像上进行了预训练。在REFUGE验证数据（n=400）中，分割网络分别实现了视盘和视杯的0.88和0.64分。对于区分受青光眼影响的图像与健康图像的任务，观察到ROC曲线下面积为0.85。

2018-09-14cs.CV

椎间盘感知增强网络用于眼底图像青光眼筛查

Disc-aware Ensemble Network for Glaucoma Screening from Fundus Image

Institute for Infocomm Research, Agency for Science, Technology and Research（科学、技术和研究局信息通信研究所）；Cixi Institute of Biomedical Engineering, Chinese Academy of Sciences（中国科学院慈溪生物医学工程研究所）；CVTE Research, Guangzhou Shiyuan Electronic Technology Company Limited（广州视源电子科技股份有限公司CVTE研究院）；School of Computer Science and Technology, Tianjin University（天津大学计算机科学与技术学院）；State Key Laboratory of Information Security, Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所信息安全国家重点实验室）

青光眼是一种慢性眼病，可导致不可逆的视力丧失。现有的青光眼自动筛查方法大都是先对青光眼主体结构进行分割，然后再计算出青光眼的临床测量值，从而进行青光眼的检测和筛查。然而，这些基于测量的方法严重依赖于分割精度，而忽略了各种视觉特征。在本文中，我们引入了一种深度学习技术来获得额外的图像相关信息，并直接从眼底图像中筛选青光眼。具体而言，提出了一种新的用于青光眼自动筛查的盘感知增强网络（DENet），该网络集成了全局眼底图像和局部视盘区域的深层层次背景。四个不同层次和模块的深度流分别被认为是全局图像流，分割引导网络，局部磁盘区域流，和磁盘极坐标变换流。最后，将不同流的输出概率进行融合，作为最终的筛选结果。在两个青光眼数据集（SCES和新的SINDI数据集）上的实验表明，我们的方法优于其他最先进的算法。

2018-05-19cs.CV

COROLLA：一种有效的多模态融合框架与监督对比学习青光眼分级

COROLLA: An Efficient Multi-Modality Fusion Framework with Supervised Contrastive Learning for Glaucoma Grading

Southern University of Science and Technology（南方科技大学）；The University of Hong Kong（香港大学）

青光眼是一种可导致失明的眼科疾病，早期发现和治疗非常重要。眼底图像和光学相干断层扫描（OCT）图像都是广泛使用的诊断青光眼的方式。然而，现有的青光眼分级方法主要利用单一的模态，忽略了眼底和OCT之间的互补信息。在本文中，我们提出了一个有效的多模态监督对比学习框架，名为COROLLA，青光眼分级。通过层分割以及厚度计算和投影，从原始OCT体积中提取视网膜厚度图并用作替代模态，从而以更少的内存使用实现更有效的计算。鉴于医学图像样本之间的高度结构和分布相似性，我们采用监督对比学习来提高模型的区分能力，并具有更好的收敛性。此外，特征级融合的配对眼底图像和厚度图进行，以提高诊断的准确性。在GAMMA数据集上，与最先进的方法相比，我们的COROLLA框架实现了压倒性的青光眼分级性能。

2022-01-25cs.CVeess.IV

基于眼底图像模拟血流动力学的青光眼风险指数

Towards a glaucoma risk index based on simulated hemodynamics from fundus images

CONICET - Pladema Institute（CONICET - 普拉德马研究所）；UNICEN（阿根廷国立中央大学）；KU Leuven（鲁汶大学）；National Laboratory for Scientific Computing, LNCC/MCTIC（国家科学计算实验室（LNCC/MCTIC））

青光眼是世界上不可逆但可预防的失明的主要原因。其主要可治疗的风险因素是眼内压，尽管正在探索其他生物标志物以提高对该疾病病理生理学的理解。最近已经观察到青光眼引起眼血流动力学的变化。然而，其对视网膜小动脉的功能行为的影响尚未被研究。在本文中，我们提出了第一种方法来表征这些变化，使用计算血液动力学。视网膜血流的模拟使用一个稳定的，不可压缩的非牛顿流体在刚性域的0D模型。对从眼底图像中提取的患者特定动脉树进行模拟。我们还提出了一种新的特征表示技术，包括模拟阶段的结果到一个固定长度的特征向量，可用于分类研究。我们对一个新的眼底图像数据库的实验表明，我们的方法是能够捕捉到代表性的变化，在脑血管病患者的血流动力学。代码和数据可在https://ignaciorlando.github.io上公开获取。

2018-10-25cs.CV

通过动态全局-局部特征集成增强基于眼底图像的青光眼筛查

Enhancing Fundus Image-based Glaucoma Screening via Dynamic Global-Local Feature Integration

Minzu University Of China（中央民族大学）；City University of Macau（澳门城市大学）；Torrens University Australia（澳大利亚托伦斯大学）；Monash University（莫纳什大学）

针对眼底图像在多设备、多种族及病灶边界模糊等现实挑战，提出自适应注意力窗口与多头注意力机制融合全局与局部特征，显著提升了青光眼分类的准确率与鲁棒性。

2025-04-01cs.CV

从机器到机器：OCT训练的深度学习算法用于眼底照片中青光眼损伤的客观量化

From Machine to Machine: An OCT-trained Deep Learning Algorithm for Objective Quantification of Glaucomatous Damage in Fundus Photographs

Duke University（杜克大学）

使用深度学习算法来对眼底照片上的昏迷性损伤进行分类的先前方法受到对参考训练集的人类标记的要求的限制。我们提出了一种新的方法，使用光谱域光学相干断层扫描（SDOCT）数据训练一个深度学习算法来量化视盘照片上的昏迷性结构损伤。该数据集包括来自1，198名受试者的2，312只眼睛的32，820对视盘照片和SDOCT视网膜神经纤维层（RNFL）扫描。训练深度学习卷积神经网络以评估视盘照片并预测SDOCT平均RNFL厚度。该算法的性能进行了评估，在一个独立的测试样本。测试集中所有6，292张视盘照片的平均RNFL厚度的平均预测值为83.3 $\pm$ 14.5 $μ$ m，而所有相应SDOCT扫描的平均RNFL厚度为82.5 $\pm$ 16.8 $μ$ m（P = 0.164）。RNFL厚度预测值与观察值之间存在非常强的相关性（r = 0.832; P<0.001），预测值的平均绝对误差为7.39 $μ$ m。使用深度学习预测和实际SDOCT测量值区分青光眼和健康眼的受试者工作特征曲线下面积分别为0.944（95 $\%$ CI：0.912- 0.966）和0.940（95 $\%$ CI：0.902 - 0.966）（P = 0.724）。总之，我们引入了一种新的深度学习方法来评估视盘照片，并提供有关神经损伤量的定量信息。这种方法可能被用来诊断和阶段青光眼损害的视盘照片。

2018-10-20cs.AIcs.CV

REFUGE挑战：评估眼底照片青光眼自动评估方法的统一框架

REFUGE Challenge: A Unified Framework for Evaluating Automated Methods for Glaucoma Assessment from Fundus Photographs

Medical University of Vienna（维也纳医科大学）；Inception Institute of Artificial Intelligence（起源人工智能研究院）；University of Porto（波尔图大学）；KU Leuven（鲁汶大学）；Universitat Politècnica de València（瓦伦西亚理工大学）；University of Florida（佛罗里达大学）；The Chinese University of Hong Kong（香港中文大学）；Gachon University（嘉泉大学）；Samsung SDS AI Research Center（三星SDS人工智能研究中心）；Yale University（耶鲁大学）

青光眼是工作年龄人群中不可逆但可预防的失明的主要原因之一。彩色眼底照相（CFP）是筛查视网膜疾病的最具成本效益的成像方式。然而，其应用于青光眼已被限制到一些相关的生物标志物，如垂直杯盘比的计算。深度学习方法虽然广泛应用于医学图像分析，但由于可用数据集的大小有限，尚未广泛用于青光眼评估。此外，缺乏标准化的基准策略使得难以以统一的方式比较现有的方法。为了克服这些问题，我们与MICCAI 2018联合举办了视网膜眼底青光眼挑战赛（REFUGE，\url{https://refuge.grand-challenge.org}）。该挑战包括两个主要任务，即视盘/视杯分割和青光眼分类。作为REFUGE的一部分，我们已经公开发布了一个包含1200张眼底图像的数据集，其中包含地面真实分割和临床青光眼标签，这是目前最大的现有数据集。我们还建立了一个评估框架，以简化和确保不同模型比较的公平性，鼓励该领域新技术的发展。12支队伍获得资格并参加了在线挑战赛。本文对他们的方法进行了总结，并对相应的结果进行了分析。特别是，我们观察到两个排名靠前的团队在青光眼分类任务中的表现超过了两个人类专家。此外，分割结果通常与地面实况注释一致，具有可以通过集成结果进一步利用的互补结果。

2019-10-08cs.CV

MaxGlaViT：一种用于眼底图像青光眼分期早期诊断的新型轻量级视觉Transformer方法

MaxGlaViT: A novel lightweight vision transformer-based approach for early diagnosis of glaucoma stages from fundus images

Kırıkkale University（克尔克卡莱大学）；Alanya Alaaddin Keykubat University（阿拉尼亚阿拉埃丁·凯库巴特大学）；Selcuk University（塞尔丘克大学）

本研究提出MaxGlaViT，一种基于重构MaxViT的轻量级模型，通过缩放架构、增强主干和替换MBConv块，在HDV1数据集上实现92.03%准确率，优于80个CNN和ViT模型，用于青光眼早期分期诊断。

2025-02-24cs.AIcs.CV

学习像眼科医生一样筛查青光眼

Learning to screen Glaucoma like the ophthalmologists

Baidu, Healthcare Group（百度医疗健康集团）；State Key Laboratory of Ophthalmology, Zhongshan Ophthalmic Center, Sun Yat-sen University（中山大学中山眼科中心眼科学国家重点实验室）；Institute of High Performance Computing (IHPC), Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局高性能计算研究所）

组织的Gamma Challenge旨在鼓励人工智能模型像眼科医生一样，从2D眼底图像和3D光学相干断层扫描体积的组合中筛选青光眼。

2022-09-23cs.CVeess.IV

基于深度神经网络的眼底图像视盘和视杯分割

Robust Segmentation of Optic Disc and Cup from Fundus Images Using Deep Neural Networks

Indian Institute of Science（印度科学学院）；University of Southern California（南加州大学）

视盘（OD）和视杯（OC）是视网膜眼底图像中突出的临床感兴趣的区域。它们是昏迷状态的主要指标。随着深度学习在医疗保健研究中的出现和成功，已经提出了几种方法来分割视网膜眼底图像中的重要特征。我们提出了一种新的方法，同时分割的OD和OC使用残差编码器-解码器网络（REDNet）为基础的区域卷积神经网络（RCNN）。RED-RCNN是由Mask RCNN（MRCNN）驱动的。与最先进技术的性能比较以及对标准公开眼底图像数据集的广泛验证表明，与MRCNN相比，RED-RCNN具有更优越的性能。RED-RCNN导致OD分割的灵敏度、特异性、准确度、精密度、Dice和Jaccard指数分别为95.64%、99.9%、99.82%、95.68%、95.64%、91.65%，OD分割的灵敏度、特异性、准确度、精密度、Dice和Jaccard指数分别为91.44%、99.87%、99.83%、85.67%、87.48%、78.09%，用于OC分割。此外，我们使用基于获得的OD/OC分割计算的杯盘比（CDR）进行两阶段青光眼严重程度分级。RED-RCNN优于MRCNN的分割性能转化为青光眼严重程度分级的更高准确性。

2020-12-13cs.CVeess.IV

基于注意力的青光眼检测：大规模数据库和CNN模型

Attention Based Glaucoma Detection: A Large-scale Database and CNN Model

Beihang University（北京航空航天大学）；Beijing Institute of Ophthalmology（北京市眼科研究所）；Beijing Tongren Hospital（北京同仁医院）

最近，注意力机制已成功应用于卷积神经网络（CNN），显著提高了许多计算机视觉任务的性能。不幸的是，很少有医学图像识别方法将注意力机制结合到CNN中。特别地，在用于青光眼检测的眼底图像中存在高冗余度，使得注意力机制具有改善基于CNN的青光眼检测的性能的潜力。本文提出了一种基于注意力的青光眼检测CNN（AG-CNN）。具体来说，我们首先建立了一个大规模的基于注意力的青光眼（LAG）数据库，其中包括5,824个眼底图像，标记为阳性青光眼（2,392）或阴性青光眼（3,432）。通过模拟眼动实验，将眼科医生的注意力地图数据采集到LAG数据库中。然后，设计了一种新的AG-CNN结构，包括注意力预测子网、病理区域定位子网和青光眼分类子网。与其他基于注意力的CNN方法不同的是，特征还被可视化为局部病理区域，这可以提高青光眼检测的性能。最后，实验结果表明，所提出的AG-CNN方法显着推进了最先进的青光眼检测。

2019-04-21cs.CV

一种智能体AI框架克服了大型语言模型在眼底照相青光眼检测中的基本局限

An Agentic AI Framework Overcomes Fundamental Limitations of Large Language Models for Glaucoma Detection from Fundus Photography

该研究开发的智能体AI框架整合LLM与专用深度学习工具，提升了眼底照相青光眼检测的准确率、一致性，纠正了仅用LLM的缺陷，具有通用性，或推动医学AI向多智能体系统转变。

2026-08-11cs.AIcs.CV

基于视网膜图像的青光眼筛查：面向视网膜知识的动态多级特征整合

Fundus Image-based Glaucoma Screening via Retinal Knowledge-Oriented Dynamic Multi-Level Feature Integration

State Key Laboratory of Ophthalmology, Zhongshan Ophthalmic Center, Sun Yat-sen University, Guangdong Provincial Key Laboratory of Ophthalmology and Vision Science, Guangdong Provincial Clinical Research Center for Ocular Diseases（眼科学国家重点实验室、中山眼科中心、中山大学、广东省眼科学重点实验室和视觉科学、广东省眼科临床研究中心）；Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院）；Hainan International College, Minzu University of China（海南国际学院，中国民族大学）；School of Information Technology, Faculty of Business and Hospitality, Torrens University Australia（澳大利亚托伦斯大学信息科技学院，商业与酒店管理学院）；AIM for Health Lab, Faculty of IT, Monash University, Australia（健康AIM实验室，墨尔本大学IT学院，澳大利亚）；Department of Ophthalmology, Guangzhou First People’s Hospital, the Second Affiliated Hospital of South China University of Technology（广州第一人民医院，华南理工大学第二附属医院）；The Third Xiangya Hospital of Central South University（中南大学湘雅医学院第三医院）

本文提出基于视网膜知识的动态多级特征整合框架，通过动态窗口机制和知识增强卷积注意力模块提升青光眼筛查的鲁棒性，实验表明其在AIROGS数据集上达到98.5%的AUC和94.6%的准确率。

2026-07-28cs.CV

InceptionCaps：一种适用于数据稀缺环境的高性能青光眼分类模型

InceptionCaps: A Performant Glaucoma Classification Model for Data-scarce Environment

Munster Technological University（芒斯特理工大学）

本文提出基于胶囊网络和预训练 InceptionV3 的 InceptionCaps 模型，用于数据稀缺环境下的青光眼自动分类，在 RIM-ONE v2 上取得 0.956 准确率，超越多个现有最优模型。

2023-11-24cs.CVcs.LG

GLEAM：一种多模态成像数据集和HAMM用于青光眼分类

GLEAM: A Multimodal Imaging Dataset and HAMM for Glaucoma Classification

Department of Ophthalmology, Shenyang Fourth People’s Hospital（眼科医院，沈阳第四人民医院）

本文提出GLEAM数据集，包含三种多模态图像，用于青光眼分类，并提出HAMM方法整合跨模态信息以提高诊断准确性。

2026-05-11cs.CVeess.IV

打开深度学习的黑箱：验证可解释人工智能（XAI）与临床领域知识在基于眼底图像的青光眼诊断中的统计关联

Opening the black box of deep learning: Validating the statistical association between explainable artificial intelligence (XAI) and clinical domain knowledge in fundus image-based glaucoma diagnosis

Duke-NUS Medical School（杜克-新加坡国立大学医学院）；Singapore National Eye Centre（新加坡国家眼科中心）

本研究通过多种CAM技术分析四个深度学习模型在青光眼分类中的关注区域，并用统计检验证明其与临床解剖知识显著一致，从而揭示深度网络与临床医生决策逻辑的趋同，增强医疗AI可信度。

2025-04-06cs.CV

深度学习在眼科眼底图像处理中的应用

Application of Deep Learning in Fundus Image Processing for Ophthalmic Diagnosis -- A Review

University of Waterloo（滑铁卢大学）；Manipal Institute of Technology（马尼帕尔理工学院）

综述了深度学习在使用视网膜眼底图像的眼科诊断中的应用。我们还回顾了可用于深度学习目的的各种视网膜图像数据集。综述了深度学习在视盘、血管和视网膜层分割以及病变检测中的应用。还报道了最近用于疾病分类的深度学习模型，例如年龄相关性黄斑变性、青光眼、糖尿病性黄斑水肿和糖尿病性视网膜病变。

2019-07-05cs.CVcs.LGstat.ML

基于多尺度时空Transformer的不平衡纵向学习用于不规则时间序列图像的青光眼预测

Multi-scale Spatio-temporal Transformer-based Imbalanced Longitudinal Learning for Glaucoma Forecasting from Irregular Time Series Images

Zhejiang Lab（之江实验室）；The Chinese University of Hong Kong（香港中文大学）；Beijing Institute of Ophthalmology（北京眼科研究所）；Beijing Tongren Eye Center（北京同仁眼科中心）；Beijing Tongren Hospital（北京同仁医院）；Capital Medical University（首都医科大学）；Beijing Key Laboratory of Ophthalmology and Visual Sciences（北京市眼科与视觉科学重点实验室）

本文提出多尺度时空Transformer网络MST-former，通过多尺度特征提取、非线性时间距离矩阵和平衡Softmax损失，解决不规则采样与类别不平衡问题，在青光眼预测和ADNI疾病预测中取得领先性能。

2024-02-21cs.AIcs.CV

一款用于居家分析视网膜眼底图像的移动应用的开发

Development of a Mobile Application for at-Home Analysis of Retinal Fundus Images

Division of Engineering Science（工程科学系）；University of Toronto（多伦多大学）；School of Information Technology（信息科技学院）；King Mongkut’s University of Technology Thonburi（泰国科技泰伦比大学）；Innovative Cognitive Computing Research Center（创新认知计算研究中心）；Chinese International School of Hong Kong（香港中文国际学校）

本研究开发了一款居家视网膜眼底图像监测移动应用，整合多模型与指标计算，可追踪年龄相关眼部病症的指标变化，提供疾病早期提示，无需专业人工验证即可辅助居家眼部健康监测。

2025-10-01cs.CVcs.HC

LightHCG: 一种轻量且强大的基于HSIC解耦的因果青光眼检测模型框架

LightHCG: a Lightweight yet powerful HSIC Disentanglement based Causal Glaucoma Detection Model framework

Yonsei University（延世大学）

LightHCG是一种轻量且强大的基于HSIC解耦的因果青光眼检测模型，通过减少参数和提升因果分析能力，改进了青光眼检测的性能和应用范围。

2025-12-02cs.AIcs.CV

评估用于眼底图像中视盘和视杯分割的由粗到精的深度学习模型

Assessing Coarse-to-Fine Deep Learning Models for Optic Disc and Cup Segmentation in Fundus Images

UNICEN（布宜诺斯艾利斯省中部国立大学）；PLADEMA Institute（PLADEMA研究所）

眼底图像中的自动视盘（OD）和视杯（OC）分割与有效测量垂直杯盘比（vCDR）相关，vCDR是眼科学中常用的生物标志物，用于确定青光眼视神经病变的程度。通常，这是使用由粗到细的深度学习算法来解决的，其中第一阶段近似OD，第二阶段使用该区域的裁剪来预测OD/OC掩模。虽然这种方法在文献中被广泛应用，但没有研究分析其对结果的真正贡献。在本文中，我们使用5个公共数据库，从标准分割的角度和估计青光眼评估的vCDR，对OD/OC分割的不同粗到细设计进行了全面分析。我们的分析表明，这些算法不一定优于标准的多类单阶段模型，特别是当这些模型是从足够大和不同的训练集学习的时候。此外，我们注意到粗阶段比细阶段实现了更好的OD分割结果，并且为第二阶段提供OD监督对于确保准确的OC掩码至关重要。此外，在多数据集设置上训练的单阶段和两阶段模型都显示出成对甚至优于其他最先进的替代方案的结果，同时在OD/OC分割的REFUGE中排名第一。最后，我们评估了vCDR预测模型，并与六位眼科医生在AIROGS图像子集上进行了比较，以了解观察者间变异性的背景。我们注意到，从单阶段和从粗到细模型中恢复的vCDR估计值可以获得良好的青光眼检测结果，即使它们与专家的手动测量值不高度相关。

2023-02-08cs.CV

GOALS挑战的数据集和评价算法设计

Dataset and Evaluation algorithm design for GOALS Challenge

Baidu Inc.（百度公司）；Zhongshan Ophthalmic Center, Sun Yat-sen University（中山大学中山眼科中心）；Institute of High Performance Computing, Agency for Science, Technology and Research（新加坡科技研究局高性能计算研究所）

青光眼由于视神经的损伤而导致不可逆的视力丧失，并且没有治愈青光眼的方法。OCT成像模式是用于评估青光眼损伤的基本技术，因为它有助于量化眼底结构。为推动人工智能技术在OCT辅助青光眼诊断领域的研究，我们联合2022年医学图像计算和计算机辅助干预国际会议（MICCAI）举办了青光眼OCT分析和分层分割（GOALS）挑战赛，为研究OCT图像分层分割和青光眼分类的研究人员提供数据和相应注释。本文描述了已发布的300张视乳头周围OCT图像、两个子任务的基线以及评价方法。GOALS挑战赛可在https://aistudio.baidu.com/aistudio/competition/detail/230上访问。

2022-07-29cs.CV

基于深度学习的青光眼网络辅助诊断

Web Applicable Computer-aided Diagnosis of Glaucoma Using Deep Learning

Ghent University Global Campus（根特大学全球校区）；Ghent University（根特大学）

青光眼是一种主要的眼部疾病，在缺乏适当的医疗治疗的情况下会导致视力丧失。目前青光眼的诊断是由眼科医生进行的，他们经常分析由不同类型的医疗设备生成的几种类型的医学图像。捕获和分析这些医学图像是劳动密集型和昂贵的。在本文中，我们提出了一种新的计算方法对青光眼的诊断和定位，只利用眼底图像，分析了最先进的深度学习技术。具体来说，我们的方法利用卷积神经网络（CNN）和相干加权类激活映射（Grad-CAM）分别进行青光眼诊断和定位。定量和定性的结果，获得了一个小规模的数据集，没有分割地面真相，表明所提出的方法是有前途的，例如实现了0.91 $\pm0.02$和ROC AUC得分为0.94的诊断任务的准确性。此外，我们提出了一个公开的原型网络应用程序，集成了我们的预测模型，目标是使有效的青光眼诊断提供给广大观众。

2019-04-04cs.CV

基于分层瓶颈注意的U-Net在视网膜退化眼底图像中的地标检测

U-Net with Hierarchical Bottleneck Attention for Landmark Detection in Fundus Images of the Degenerated Retina

University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）

眼底照相术在临床实践中已常规用于记录视网膜退行性疾病如年龄相关性黄斑变性（AMD）、青光眼和糖尿病性视网膜病变（DR）的存在和严重程度，其中中央凹和视盘（OD）是重要的视网膜标志。然而，在视网膜变性期间病变、玻璃疣和其他视网膜异常的发生使自动界标检测和分割严重复杂化。在这里，我们提出了HBA-U-Net：一个U-Net骨干丰富的层次瓶颈的关注。该网络由一种新的瓶颈注意力块组成，该块结合并细化了自我注意力、通道注意力和相对位置注意力，以突出视网膜异常，这对于退化视网膜中的中央凹和OD分割可能是重要的。HBA-U-Net在跨数据集和眼部条件的中央凹检测（ADAM：Euclidean Distance（ED）为25.4像素，REFUGE：32.5像素，IDRiD：32.1像素），AMD的OD分割（ADAM：Dice Coefficient（DC）为0.947）和DR的OD检测（IDRiD：ED为20.5像素）方面取得了最先进的结果。我们的研究结果表明，HBA-U-Net可能非常适合在各种视网膜退行性疾病的存在下进行地标检测。

2021-07-09cs.CVcs.LGeess.IV

G1020：用于计算机辅助青光眼检测的基准眼底图像数据集

G1020: A Benchmark Retinal Fundus Image Dataset for Computer-Aided Glaucoma Detection

Technische Universität Kaiserslautern（凯泽斯劳滕工业大学）；German Research Center for Artificial Intelligence GmbH (DFKI)（德国人工智能研究中心）；Opthalmology Clinic（眼科诊所）；National University of Science and Technology (NUST)（国立科技大学）；National Center of Artificial Intelligence（国家人工智能中心）；Smart Data and Knowledge Services（智能数据与知识服务部）

用于自动青光眼检测的大型公开可用的视网膜眼底图像数据集的稀缺一直是人工智能成功应用于实际计算机辅助诊断（CAD）的瓶颈。一些小的数据集，可用于研究社区通常遭受不切实际的图像捕获条件和严格的纳入标准。现有数据集的选择已经有限，这些缺点使得成熟的CAD系统具有挑战性，以便它可以在现实世界的环境中执行。在本文中，我们提出了一个大型的公开可用的视网膜眼底图像数据集青光眼分类称为G1020。该数据集通过符合常规眼科学的标准实践进行管理，预计将作为青光眼检测的标准基准数据集。该数据库由1020个高分辨率彩色眼底图像组成，并为青光眼诊断、视盘和视杯分割、垂直杯盘比、下、上、鼻和颞象限中的神经视网膜边缘大小以及视盘的边界框位置提供了地面实况注释。我们还报告了通过进行广泛的实验进行自动青光眼诊断和分割视盘和视杯的基线结果。

2020-05-28cs.CVcs.LGeess.IV

基于简单启发式的眼底图像二值分类最优迁移学习模型

Optimal Transfer Learning Model for Binary Classification of Funduscopic Images through Simple Heuristics

深度学习模型有能力从根本上彻底改变医学成像分析，并且在计算机辅助诊断中具有特别有趣的应用。我们尝试使用深度学习神经网络来诊断眼底图像，眼睛内部的视觉表示。最近，一些强大的深度学习方法已经执行了二元分类，以推断特定眼部疾病的存在，例如青光眼或糖尿病视网膜病变。为了拓宽计算机辅助眼科疾病诊断的应用，我们提出了一个统一的疾病分类模型：眼底图像的低成本推理，以确定它是健康的还是患病的。为了实现这一目标，我们使用了迁移学习技术，该技术保留了预训练基础架构的更全面的功能，但可以适应另一个数据集。为了进行比较，我们开发了一个自定义的启发式方程和评估指标排名系统，以确定最佳的基础架构和超参数。Xception基础架构、Adam优化器和均方误差损失函数表现最佳，达到90%的准确性、94%的灵敏度和86%的特异性。为了更方便使用，我们将模型包含在一个Web界面中，其文件存储器可以访问本地文件系统，允许在任何连接互联网的设备上使用：移动设备，PC或其他设备。

2020-02-20cs.CVcs.LGeess.IV

TRk-CNN：用于青光眼、疑似青光眼和正常眼睛的图像分类的可转移排名CNN

TRk-CNN: Transferable Ranking-CNN for image classification of glaucoma, glaucoma suspect, and normal eyes

Korea Advanced Institute of Science and Technology（韩国高等科学技术院）；Korea University College of Medicine（高丽大学医学院）

在本文中，我们提出了可转移的排名卷积神经网络（TRk-CNN），可以有效地应用时，要分类的图像的类显示出高度的相关性与彼此。通常使用的基于softmax函数的多类分类方法由于忽略了类间关系，在这种情况下效果不佳。虽然Ranking-CNN考虑了序数类，但它不能反映最终预测的类间关系。另一方面，TRk-CNN结合原始分类模型的权重，将类间信息反映到最终分类阶段。我们在青光眼图像数据集中评估了TRk-CNN，该数据集被标记为三类：正常，青光眼疑似和青光眼眼睛。基于我们所调查的文献，本研究首次将青光眼眼底图像数据集的三种状态分为三个不同的类别。我们使用DenseNet作为骨干CNN模型，比较了TRk-CNN与Ranking-CNN（Rk-CNN）和多类CNN（MC-CNN）的评估结果。结果，TRk-CNN的平均准确性为92.96%，特异性为93.33%，疑似青光眼的灵敏度为95.12%，青光眼的灵敏度为93.98%。基于平均准确度，TRk-CNN比Rk-CNN和MC-CNN高8.04%和9.54%，并且对于可疑的灵敏度比多类CNN高26.83%。我们的TRk-CNN有望有效地应用于疾病状态连续且在正类方向上增加的医学图像分类问题。

2019-05-16cs.CV

基于判别核卷积网络的非平衡眼底图像多标记眼科疾病检测

Discriminative Kernel Convolution Network for Multi-Label Ophthalmic Disease Detection on Imbalanced Fundus Image Dataset

PDPM Indian Institute of Information Technology, Design and Manufacturing, Jabalpur（贾巴尔普尔PDPM印度信息技术设计与制造学院）

通过研究视网膜生物学结构的进展，可以认识眼病的存在和严重性。眼底检查是检查眼睛的生物结构和异常的诊断程序。青光眼、糖尿病视网膜病变和白内障等眼科疾病是世界各地视力受损的主要原因。眼科疾病智能识别（Ocular Disease Intelligent Recognition，ODI-5 K）是研究人员用于眼底图像的多标签多疾病分类的基准结构化眼底图像数据集。这项工作提出了一个判别核卷积网络（DKCNet），它在不增加额外计算成本的情况下探索判别区域特征。DKCNet由一个注意力块和一个挤压和兴奋（SE）块组成。注意力块从主干网获取特征并生成有区别的特征注意力图。SE块采用区别性特征图并改善通道相互依赖性。使用InceptionResnet主干网观察到DKCNet的更好性能，用于Oscillation-5 K眼底图像的多标签分类，具有96.08 AUC，94.28 F1-评分和0.81 kappa评分。所提出的方法基于诊断关键字为眼睛对分割共同目标标签。基于这些标签，进行过采样和欠采样以解决类不平衡。为了检查所提出的模型对训练数据的偏差，在三个公开可用的基准数据集上测试了在Oscillation数据集上训练的模型。它被发现给完全看不见的眼底图像也有良好的性能。

2022-07-16cs.CVeess.IV

自适应类别学习用于眼底图像中的糖尿病性眼病筛查

Adaptive Class Learning to Screen Diabetic Disorders in Fundus Images of Eye

Princeton University（普林斯顿大学）；Springer Heidelberg（施普林格海德堡分部）；ABC Institute（ABC研究院）；Rupert-Karls-University Heidelberg（海德堡鲁普雷希特-卡尔斯大学）

本研究提出CELD框架，通过先训练健康与糖尿病性视网膜病变分类，再微调扩展至青光眼类别，利用扰动方法分析决策特征，在公开数据集上达到91%准确率。

2025-01-21cs.AIcs.CV

基于像素级注意力的回归学习眼底青光眼分割与检测

Regression and Learning with Pixel-wise Attention for Retinal Fundus Glaucoma Segmentation and Detection

University of Florida（佛罗里达大学）

眼科医生观察视网膜眼底图像是青光眼的主要诊断方法。然而，仅通过人工观察仍然难以区分病变的特征，特别是在青光眼早期。在本文中，我们提出了两种基于深度学习的自动算法，用于青光眼检测和视盘和视杯分割。我们利用注意力机制来学习像素级特征以进行准确预测。特别是，我们提出了两个卷积神经网络，可以专注于学习各种像素级特征。此外，我们还开发了几种注意力策略来指导网络学习对预测准确性有重大影响的重要特征。我们在验证数据集上评估了我们的方法，提出的两个任务的解决方案可以取得令人印象深刻的结果，并优于当前最先进的方法。\textit{The code is available at \url{https://github.com/cswin/RLPA}}。

2020-01-06cs.CVeess.IV

使用深度特征一致变分自动编码器评估视网膜眼底照片中的青光眼

Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders

Duke University（杜克大学）

失明的主要原因之一是青光眼，这是具有挑战性的检测，因为它保持无症状，直到症状严重。因此，诊断通常是可能的，直到标记物易于识别，即，损害已经发生了。青光眼的早期识别通常基于功能、结构和临床评估。然而，由于疾病的性质，研究人员仍然争论哪些标志物有资格作为一致的青光眼指标。深度学习方法通过绕过标记识别阶段并直接分析高级信息来对数据进行分类，部分解决了这一困境。虽然这些方法是有利的，但它们使专家分析变得困难，因为它们无法深入了解模型判别过程。在本文中，我们使用深度生成网络克服了这一点，这是一种学习复杂的高维概率分布的深度学习模型。我们训练了一个深度特征一致的变分自编码器（DFC-VAE）来重建视盘图像。我们发现，一个小尺寸的潜在空间从DFC-VAE可以学习高维青光眼数据分布，并提供正常和青光眼之间的歧视性证据。当使用支持向量分类器进行训练时，我们模型中大小低至128的潜在表示在接收器操作特征曲线下获得了0.885的面积。

2021-10-04cs.CVcs.LGeess.IV

ETSCL：基于证据理论的多模态青光眼分级监督对比学习框架

ETSCL: An Evidence Theory-Based Supervised Contrastive Learning Framework for Multi-modal Glaucoma Grading

Beihang University（北京航空航天大学）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院）；Lee Kong Chian School of Medicine, Nanyang Technological University（南洋理工大学李光前医学院）；Sun Yat-sen University（中山大学）；National University of Singapore（新加坡国立大学）；South China University of Technology（华南理工大学）

提出ETSCL框架，结合监督对比学习和证据理论融合，处理多模态青光眼分级中的特征提取和不确定性估计问题，实现最先进性能。

2024-07-19cs.CVcs.LG

哈佛青光眼检测与进展预测：一个多模态多任务数据集及泛化增强的半监督学习方法

Harvard Glaucoma Detection and Progression: A Multimodal Multitask Dataset and Generalization-Reinforced Semi-Supervised Learning

Harvard University（哈佛大学）

针对青光眼检测与进展预测中标注OCT数据稀缺的问题，本文提出泛化增强的半监督伪监督器模型提升性能，同时发布含1000例患者的多模态Harvard-GDP数据集并完成基准测试。

2023-08-25cs.CV

用于视网膜眼底图像分类的可解释卷积神经网络及用于眼底图像视网膜血管分割的前沿模型

Explainable Convolutional Neural Networks for Retinal Fundus Classification and Cutting-Edge Segmentation Models for Retinal Blood Vessels from Fundus Images

Ahsanullah University of Science and Technology（阿萨努拉科技大学）

本研究开发双管道框架，结合可解释CNN分类与注意力/Transformer模型的视网膜血管分割，在FIVES和DRIVE数据集上取得分类准确率94.17%、分割IoU最高0.648的成果。

2026-09-04cs.CVeess.IV

Edge TPU与嵌入式GPU在计算机辅助医学图像分割与分类中的能效对比

Energy efficiency in Edge TPU vs. embedded GPU for computer-aided medical imaging segmentation and classification

University of Cadiz（加的斯大学）；University of Seville（塞维利亚大学）

本研究评估了Edge TPU和嵌入式GPU在青光眼医学图像分割与分类中的时间与能耗性能，发现Edge TPU在预测速度和能效上均显著优于Maxwell GPU。

2023-11-20cs.AIcs.CVcs.LG

自适应迁移学习用于眼底视网膜图像多中心青光眼分类

Self-Adaptive Transfer Learning for Multicenter Glaucoma Classification in Fundus Retina Images

Shanghai Jiao Tong University（上海交通大学）；the Second Affiliated Hospital of Zhejiang University, College of Medicine（浙江大学医学院附属第二医院）

青光眼的早期诊断和筛查对于患者及时接受治疗和维持视力具有重要意义。如今，基于深度学习（DL）的模型已成功用于从视网膜眼底图像进行青光眼的计算机辅助诊断（CAD）。然而，使用来自一个医院中心的数据集预训练的DL模型在来自另一个新医院中心的数据集上可能具有较差的性能，因此其在真实场景中的应用受到限制。在本文中，我们提出了一种自适应迁移学习（SATL）策略，以填补多中心数据集之间的领域差距。具体地，在源域上预训练的DL模型的编码器用于初始化重构模型的编码器。然后，重建模型仅使用来自目标域的未标记图像数据进行训练，这使得模型中的编码器自适应地同时提取用于目标域图像编码和青光眼分类的有用的高级特征。实验结果表明，所提出的SATL策略是有效的，在一个私人和两个公共青光眼诊断数据集，即pri-RFG，REFUGE，和LAG之间的域适应任务。此外，该策略与源域数据完全无关，符合真实场景应用和隐私保护策略。

2021-08-08cs.CVeess.IV

眼底图像中的视盘分割：从经典图像处理与可变形模型到现代人工智能

Optic Disc Segmentation in Fundus Images: From Classical Image Processing and Deformable Models to Modern AI

The University of Akron（阿克伦大学）

本综述梳理视盘分割技术从经典方法到现代AI方法的发展，总结核心原则，指出边界模糊等持续挑战，为该领域研究提供方法学参考。

2026-08-20cs.CVeess.IV

基于深度学习的青光眼自动诊断框架基于视神经头局灶性切迹分析

Deep Learning based Framework for Automatic Diagnosis of Glaucoma based on analysis of Focal Notching in the Optic Nerve Head

Technical University of Munich（慕尼黑工业大学）；Heritage Institute of Technology（印度传统理工学院）

视网膜眼底图像的自动评估正在成为早期检测和治疗进行性眼病（如青光眼）的最重要工具之一。青光眼导致视力的进行性退化，其特征在于视杯形状的变形和血管的退化，导致沿着神经视网膜边缘形成凹口。在本文中，我们提出了一种基于深度学习的流水线，用于从数字眼底图像（DFI）中自动分割视盘（OD）和视杯（OC）区域，从而提取预测青光眼所需的独特特征。该方法利用神经视网膜边缘的焦点切迹分析以及杯盘比值作为分类参数，以提高计算机辅助设计（CAD）系统在分析青光眼中的准确性。基于支持向量的机器学习算法用于分类，其基于提取的特征将DFI分类为青光眼或正常。在免费提供的DRISHTI-GS数据集上对拟议的管道进行了评估，结果准确度为93.33%，用于检测DFI中的青光眼。

2021-12-10cs.CVeess.IV

在机器学习架构中使用可学习概率离散隐变量增强眼部疾病检测

Enhance Eye Disease Detection using Learnable Probabilistic Discrete Latents in Machine Learning Architectures

National University Singapore（新加坡国立大学）；Asian Institute of Digital Finance（亚洲数字金融研究所）；School of Medicine（医学院）；College of Design & Engineering（设计与工程学院）

针对眼部疾病自动诊断中模型可靠性与不确定性估计的挑战，本研究提出将GFlowOut与ResNet18、ViT集成的方法，通过GFlowNets学习隐离散dropout掩码后验分布，提升了检测准确率与可解释性。

2025-01-13cs.CVcs.LGeess.IV

青光眼多模态信息融合与DR分类

Multimodal Information Fusion for Glaucoma and DR Classification

Inserm（法国国家健康与医学研究院）；University of Western Brittany（西布列塔尼大学）；IMT Atlantique（大西洋国立高等工业技术学院）；Rothschild Foundation Hospital（罗斯柴尔德基金会医院）；Carl Zeiss Meditec Inc（卡尔蔡司医疗科技公司）；Lariboisière Hospital（拉里博瓦西耶医院）；CHRU Brest（布雷斯特大学中心医院）

多模态信息在医疗任务中经常可用。通过结合多个来源的信息，临床医生能够做出更准确的判断。近年来，多种成像技术已被用于临床实践中的视网膜分析：2D眼底照片，3D光学相干断层扫描（OCT）和3D OCT血管造影等。本文研究了三种基于深度学习的多模态信息融合策略，以解决视网膜分析任务：早期融合，中期融合和分层融合。常用的早期和中期融合是简单的，但没有充分利用模态之间的互补信息。我们开发了一种分层融合方法，专注于跨网络的多个维度组合特征，以及探索模态之间的相关性。这些方法被应用于青光眼和糖尿病视网膜病变分类，使用公共GAMMA数据集（眼底照片和OCT）和PlexElite 9000（Carl Zeis Meditec Inc.）OCT血管造影采集。我们的分层融合方法在这两种情况下表现最好，为更好的临床诊断铺平了道路。

2022-09-05cs.CVcs.LGeess.IV

利用分层噪声交叉验证提高医学标注质量以减轻标注负担

Improving Medical Annotation Quality to Decrease Labeling Burden Using Stratified Noisy Cross-Validation

Stanford University（斯坦福大学）；Google（谷歌）

随着机器学习越来越多地应用于医学成像数据，训练标签中的噪声已经成为一个重要的挑战。医学图像诊断的可变性是公认的;此外，医疗标签人员之间的训练和任务注意力的可变性可能会加剧这个问题。已经研究了用于识别和减轻低质量标签的影响的方法，但是在医学成像任务中没有很好地表征。例如，Noisy Cross-Validation将训练数据分成两半，并已被证明可以识别计算机视觉任务中的低质量标签;但它尚未专门应用于医学成像任务。在这项工作中，我们介绍分层噪声交叉验证（SNCV），噪声交叉验证的扩展。SNCV可以通过为每个示例分配质量分数来提供模型预测的置信度估计;对标签进行分层以处理类别不平衡;并识别可能的低质量标签以分析原因。我们评估了SNCV在视网膜眼底照片诊断青光眼可疑风险方面的性能，这是一项临床重要但细微差别的标记任务。使用来自先前发布的深度学习模型的训练数据，我们为每个训练样本计算连续质量分数（QS）。我们使用经过培训的青光眼专家重新标记了1，277个低QS样本;新标签在初始标签>85%的时间内与SNCV预测一致，表明低QS样本主要反映了标签错误。然后，我们量化了仅使用高QS标签进行训练的影响，表明可以用更少的示例获得强大的模型性能。通过将该方法应用于随机子采样的训练数据集，我们表明，我们的方法可以减少约50%的标签负担，同时实现不劣于在多个测试集上使用完整数据集的模型性能。

2020-09-22cs.CVcs.LGeess.IV

将边缘信息整合到真值中，用于从眼底图像分割视盘和视杯

Integrating Edge Information into Ground Truth for the Segmentation of the Optic Disc and Cup from Fundus Images

Indian Institute of Information Technology, Design and Manufacturing, Kancheepuram（印度信息技术、设计与制造学院（坎奇普兰））

本文提出用 Laplacian 滤波器从视盘、视杯真值中提取并重建边缘真值，将其与区域真值共同用于 U-Net 系列模型训练，在 REFUGE 和 Drishti-GS 上显著提升 dice 并降低 Hausdorff 距离。

2024-08-09cs.CVcs.LGeess.IV

基于标记不确定性的疾病筛查多流模型

Label uncertainty-guided multi-stream model for disease screening

Zhongshan Ophthalmic Center, Sun Yat-sen University（中山大学中山眼科中心）；Monash eResearch Centre, Monash University（蒙纳士大学电子研究中心）；Centre for Eye Research, Melbourne University（墨尔本大学眼科研究中心）

医学图像数据集的疾病严重程度的注释通常依赖于来自多个人类分级者的协作决策。个体差异导致的观察者内变异性始终存在于这一过程中，但其影响往往被低估。在本文中，我们将观察者内变异性视为一个不确定性问题，并将标签不确定性信息作为指导纳入疾病筛查模型，以改善最终决策。其主要思想是根据图像的不确定性信息将图像分为简单和困难两种情况，然后开发一个多流网络来分别处理不同的情况。特别地，对于困难的情况，我们加强了网络捕捉正确疾病特征和抵抗不确定性干扰的能力。基于眼底图像的青光眼筛查案例研究的实验表明，该模型优于几个基线，特别是在筛选困难的情况下。

2022-01-28cs.CV

视网膜图像分析中全连通层与类数的关系

The relationship between Fully Connected Layers and number of classes for the analysis of retinal images

City, University of London（伦敦城市大学）

本文实验了深度卷积神经网络中的全连接层的数量，并将其应用于眼底视网膜图像的分类。所分析的图像对应于2019年北京大学国际眼科疾病智能识别竞赛[9]，其中包括各种眼科疾病（白内障，青光眼，近视，糖尿病视网膜病变，年龄相关性黄斑变性（AMD），高血压）以及正常病例的图像。本研究主要针对正常、白内障、AMD和近视进行分类。神经网络的特征提取（卷积）部分保持不变，而网络的特征映射（线性）部分发生变化。不同的数据集也在这些神经网络上进行了探索。每个数据集都因其拥有的类的数量而与另一个数据集不同。因此，本文的目的是找到类的数量和全连接层的数量之间的关系。研究发现，增加神经网络的全连接层数量的效果取决于所使用的数据集的类型。对于简单的线性可分数据集，应该探索增加全连接层，这可能会导致更好的训练精度，但没有发现直接相关性。然而，随着数据集复杂性的增加（更多的重叠类），增加全连接层的数量会导致神经网络停止学习。数据集越复杂，这种现象发生得越快。

2020-04-14cs.CVcs.LGeess.IV

视觉-语言模型在医学影像疾病分类中的交叉公平性

Intersectional Fairness in Vision-Language Models for Medical Image Disease Classification

Biomedical Data Analysis and Visualisation (BDAV) Lab, School of Computer Science（生物医学数据分析与可视化实验室，计算机科学学院）；Sydney School of Public Health（悉尼公共卫生学院）；School of Computing（计算学院）

本文提出CMAC-MMD框架，通过标准化交叉亚组的诊断确定性，减少医学影像疾病分类中的交叉偏见，提升诊断准确性和公平性。

2025-12-24cs.AIcs.CV

基于迁移学习和自定义损失函数的视网膜图像视盘分割

Utilizing Transfer Learning and a Customized Loss Function for Optic Disc Segmentation from Retinal Images

University of Calgary（卡尔加里大学）；Istanbul Medipol University（伊斯坦布尔梅迪波尔大学）

从视网膜图像中准确分割视盘对于提取可能与视网膜疾病（如青光眼）高度相关的视网膜特征至关重要。在本文中，我们提出了一种基于深度学习的方法，能够在高精度视网膜眼底图像的情况下分割视盘。我们的方法利用了一个基于UNET的模型，并使用了一个在ImageNet数据集上训练的VGG 16编码器。这项研究可以区别于其他研究的定制VGG 16模型，采用的数据集的多样性，椎间盘分割的持续时间，使用的损失函数，以及训练我们的模型所需的参数的数量。我们的方法在七个公开可用的数据集上进行了测试，这些数据集由来自私人诊所的数据集增强，该数据集由两名验光医生通过为此目的而构建的门户网站进行注释。在0.03秒内，从视网膜图像中分割出的视盘，其准确率为99.78%，Dice系数为94.73%。综合实验结果表明，我们的方法从不同来源获得的视网膜图像的光盘分割的鲁棒性。

2020-10-01cs.CVeess.IV