学术研究 2026年11月16日 特发性黄斑前膜:多模态OCT多通路深度学习判断视力损害 研究回顾性纳入在一家医疗中心确诊的特发性黄斑前膜患者,用八类OCT图像训练多通路深度学习模型,按最佳矫正视力是否达到20/50区分视力损害程度。351组图像用于建模,50组用于外部验证。八通路模型表现最好,建模准确率90.90%,外部验证80.00%。热图显示模型关注黄斑中心凹及旁中心凹区域。 #黄斑前膜#OCT#深度学习 +1 PubMed Ophthalmology
学术研究 2026年11月16日 算法同时分割前后两次眼底自发荧光图,测量地图样萎缩增长 这项回顾性分析使用两项前瞻性临床试验的数据:AREDS2的830张图像(174人)和METforMIN的273张图像(44人)。研究让分割模型同时读取前后两次对齐的眼底自发荧光图像,分出原有和新扩大的萎缩区。与人工标注相比,DLJOINT+SCL模型精确率0.86、召回率0.92、Dice 0.89,增长速度相关R2=0.82;单图像模型为0.75。 #地图样萎缩#眼底自发荧光#深度学习 +1 PubMed Ophthalmology
学术研究 2026年11月16日 翼状胬肉病灶自动分割:多尺度深度学习网络的比较 翼状胬肉的严重程度与纤维血管组织侵入角膜和瞳孔区的范围有关。研究在UNet结构的瓶颈层嵌入多种多尺度模块,包括空间金字塔池化和空洞空间金字塔池化,并比较不同并行路径设计。结果显示,嵌入三条并行路径EF-ASPP模块的UNet分割效果最好,豪斯多夫距离最低,为16.75像素。 #翼状胬肉#深度学习#图像分割 PubMed Ophthalmology
学术研究 2026年11月16日 HOG-CNN模型:公开数据集上识别糖网、青光眼和AMD 研究提出HOG-CNN混合模型,把传统的方向梯度直方图(HOG)特征与预训练网络EfficientNetB3学到的特征结合,用于眼底图像分类。在三个公开数据集上,糖尿病视网膜病变二分类准确率98.5%、AUC 99.2,五分类AUC 94.2;AMD数据集准确率92.8%、AUC 94.5;青光眼数据集准确率83.9%、AUC 87.2。 #眼底图像#深度学习#糖尿病视网膜病变 +1 PubMed Ophthalmology
学术研究 2026年11月16日 早产儿视网膜病变:深度学习识别Plus病变和分期 研究开发了一套自动诊断系统,使用经过整理的眼底图像数据集,对早产儿视网膜病变(ROP)的Plus病变做二分类(Plus或正常),并对ROP分期(0、1、2、3期)做多分类。模型识别Plus病变的准确率为0.996,ROP分期的准确率为0.98。作者认为结果提示自动化ROP筛查有临床应用潜力,但需要多中心验证。 #早产儿视网膜病变#Plus病变#深度学习 +1 PubMed Ophthalmology
学术研究 2026年11月16日 眼科B超:深度学习检测视网膜脱离和玻璃体积血 研究基于YOLOv5架构开发卷积神经网络,在眼科B超图像上检测视网膜脱离(RD)和玻璃体积血(VH)。模型用2188张图像训练、1042张图像验证,并采用反锐化掩模等图像增强技术。纳入五折交叉验证的最终模型,对RD、VH以及RD合并VH的总体准确率分别为96.6%、99.2%和98.0%。作者认为在积血遮挡眼底的情况下,该算法可作为B超检查的辅助工具。 #视网膜脱离#玻璃体积血#眼科B超 +1 PubMed Ophthalmology
学术研究 2026年11月16日 上睑下垂:深度学习自动测量眼睑参数并给提肌功能分级 研究回顾性纳入1177名在一家三级眼整形中心接受上睑下垂手术的患者,开发深度学习系统,自动测量眼睑和眉部参数,并预测提上睑肌功能分级(好、中、差三档)。系统分割的Dice系数为0.910,与手工测量的一致性(ICC)在MRD1上为0.988、CBH上为0.902。回归模型预测分级的总体准确率为0.760,AUC为0.829,眼科医生评估的最高准确率为0.767。作者认为该系统可辅助评估和手术规划。 #上睑下垂#深度学习#提上睑肌功能 +1 PubMed Ophthalmology
学术研究 2026年11月16日 糖尿病视网膜病变分级算法MFCA-DRNet的评估 研究提出用于糖尿病视网膜病变(DR)分级的神经网络MFCA-DRNet,针对标注数据少、病灶细小分散、特征冗余等问题,采用在EyePACS数据集上预训练的自监督对比学习、直方图均衡化加非局部均值去噪的预处理,以及多频率上下文注意力模块。在DDR、APTOS 2019和Messidor-2数据集上评估,在APTOS 2019上的准确率、精确率、召回率和F1分别为87.12%、81.2%、85.3%和83.16%。 #糖尿病视网膜病变#深度学习#眼底图像 +1 PubMed Ophthalmology
学术研究 2026年11月16日 眼底照片深度学习预测RNFL变薄,与新发青光眼相关 加拿大老龄化纵向研究是一项前瞻性人群队列,纳入11个研究点18247名45至86岁参与者(30202只眼)。研究用经OCT训练的机器对机器(M2M)模型,从眼底照片估算3年间视网膜神经纤维层(RNFL)厚度变化。青光眼眼的预测RNFL年变化为-0.46 μm,非青光眼眼为-0.18 μm(P<0.001)。基线无病的17552人中344人(1.9%)新发青光眼,预测RNFL丢失越快,风险越高(风险比1.125,每增加1 μm/年)。 #青光眼#深度学习#RNFL +1 PubMed Ophthalmology
学术研究 2026年11月16日 结合解剖背景的深度学习,提高糖尿病视网膜病变眼底图中心凹分割 研究者针对糖尿病视网膜病变眼底图中的中心凹分割,提出把视盘、视网膜和血管等解剖结构逐步加入训练标签的做法,并构建了含81张图像(训练54张、测试27张)的IDRiD-RETA-FV数据集,观察者间F1为0.98。所提MNv4Fovea框架在保留测试集上中心凹IoU为0.812,F1为0.894,平均欧氏距离4.06像素。作者另在REFUGE、MESSIDOR和ARIA上做了跨数据集评估。 #糖尿病视网膜病变#中心凹#图像分割 +1 PubMed Ophthalmology
学术研究 2026年11月16日 眼底照片多视图深度学习识别卒中和短暂性脑缺血发作 研究者提出名为MVS-Net的多视图深度网络,用左右眼的眼底照片,包括以黄斑为中心和以视盘为中心的视图,识别卒中和短暂性脑缺血发作(TIA)。实验数据来自卒中和TIA患者以及健康对照。模型对卒中和TIA检测的AUC为0.84。作者将这项工作定位为评估眼底成像用于筛查或诊断的可行性,并指出眼底照片采集简便、无创、快速、价格低。 #卒中#眼底照片#深度学习 +1 PubMed Ophthalmology
学术研究 2026年11月16日 深度学习用OCT厚度数值预测青光眼视野平均偏差 一项回顾性研究分析了1200只眼(青光眼432只,正常768只),均同日完成谱域OCT和Humphrey 30-2视野检查。研究者把OCT导出的逐像素视网膜厚度数值输入八个深度学习模型,预测视野平均偏差(MD),并在设定的MD阈值上区分视野恶化。五折交叉验证中InceptionV3最好,平均绝对误差3.36 dB,决定系数0.53。作者认为该方法可能有助于青光眼诊断。 #青光眼#深度学习#OCT +1 PubMed Ophthalmology