跳转到主要内容

#眼底图像分析

4 篇

与"眼底图像分析"相关的眼科资讯

学术研究

基于LBP与PDC特征融合的青光眼自动识别方法

该研究提出一种结合局部二值模式（LBP）和枢轴分布计数（PDC）的混合特征提取方法，用于分析眼底图像以识别青光眼。LBP提取纹理特征，PDC提取白像素强度与分形维数特征。研究采用CatBoost和LightGBM等机器学习模型进行分类，并通过贝叶斯优化等方法调参，最终在测试中达到97.55%的最高分类准确率。

#青光眼#人工智能#眼底图像分析
PubMed Ophthalmology
学术研究

HOG-CNN模型提升眼底图像自动分类准确率

研究团队提出一种融合手工特征与深度学习的HOG-CNN模型，将方向梯度直方图（HOG）与预训练EfficientNetB3网络结合，用于糖尿病视网膜病变、青光眼和年龄相关性黄斑变性的眼底图像分类。在多个公开数据集上测试显示：二分类DR识别达98.5%准确率和99.2 AUC，五分类DR为94.2 AUC，IC-AMD数据集上达92.8%准确率和94.5 AUC，青光眼检测AUC为87.2。

#人工智能#眼底图像分析#糖尿病视网膜病变
PubMed Ophthalmology
学术研究

基于可变形注意力ResNet与群体爬山优化的视网膜新生血管检测

研究提出一种名为DAPR-PSHO的新深度学习框架，用于从眼底图像中精准识别视网膜新生血管（RNV）。该框架结合可变形卷积与注意力机制，自适应调整感受野以捕捉异常血管结构，并通过PeriV-Transformer驱动的粒子群爬山优化算法，聚焦微小的血管周围早期病变。实验显示其准确率达0.98、精确率0.985、召回率0.986，显著优于现有模型。

#人工智能#视网膜新生血管#眼底图像分析
PubMed Ophthalmology
学术研究

CNN、Transformer与Mamba模型在眼病分类中的性能对比

研究首次将Mamba架构应用于彩色眼底图像的多类别眼病自动分类，并在相同实验条件下对比了6种CNN、Transformer和Mamba模型在Eye Disease Image Dataset（EDID）上的表现。结果显示三类模型整体性能相近；对前三名模型进行logit级集成后略有提升，表明它们捕捉的视觉特征存在部分互补性。研究还指出，结构特征明显的眼病识别更稳定，而特征细微或重叠的类别仍具挑战性。

#AI医疗#眼底图像分析#深度学习
PubMed Ophthalmology