Search research articles

关于 JoVE

概览领导团队博客 JoVE 帮助中心

作者

出版流程编辑委员会范围与政策同行评审常见问题投稿

图书馆员

用户评价订阅访问资源图书馆顾问委员会常见问题

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序

Same author

Attitude Controller for UAV First-Order Acceleration Coefficients Tracking.

Sensors (Basel, Switzerland)·2026

Same author

Dynamic Weighting Translation Transfer Learning for Imbalanced Medical Image Classification.

Entropy (Basel, Switzerland)·2024

Same author

Affine Iterative Closest Point Algorithm Based on Color Information and Correntropy for Precise Point Set Registration.

Sensors (Basel, Switzerland)·2023

查看所有相关文章

Search research articles

相关实验视频

Updated: Jul 12, 2025

Behavioral Assessment of Visual Function via Optomotor Response and Cognitive Function via Y-Maze in Diabetic Rats

Behavioral Assessment of Visual Function via Optomotor Response and Cognitive Function via Y-Maze in Diabetic Rats

Published on: October 23, 2020

动态图集群学习无监督糖尿病视网膜病变分类

Chenglin Yu¹, Hailong Pei²

¹Key Laboratory of Autonomous Systems and Networked Control, Ministry of Education, Unmanned Aerial Vehicle Systems Engineering Technology Research Center of Guangdong, South China University of Technology, Guangzhou 510640, China.

Diagnostics (Basel, Switzerland)

|October 28, 2023

概括

此摘要是机器生成的。

这项研究引入了一种新的无监督深度学习方法,用于使用 fundus 图像对糖尿病视网膜病变 (DR) 进行分类. 动态图集群学习 (DGCL) 方法克服了对昂贵的专家注释的需求,改善了早期DR诊断.

关键词:

一致性平滑的平滑方法深度学习是一种深度学习.动态图表集群集中的动态图表集群.拓关系是一个拓关系.没有监督的糖尿病视网膜病变.

更多相关视频

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

Using Retinal Imaging to Study Dementia

Using Retinal Imaging to Study Dementia

Published on: November 6, 2017

相关实验视频

Last Updated: Jul 12, 2025

Behavioral Assessment of Visual Function via Optomotor Response and Cognitive Function via Y-Maze in Diabetic Rats

Behavioral Assessment of Visual Function via Optomotor Response and Cognitive Function via Y-Maze in Diabetic Rats

Published on: October 23, 2020

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

Using Retinal Imaging to Study Dementia

Using Retinal Imaging to Study Dementia

Published on: November 6, 2017

科学领域:

眼科医生眼科眼科
医疗成像医学成像
人工智能的人工智能

背景情况:

糖尿病视网膜病变 (DR) 是糖尿病患者视力丧失的主要原因.
早期诊断DR对于预防不可逆转的视力损伤至关重要.
目前用于DR分类的深度学习方法通常需要大型,专家注释的数据集,这些数据集的创建是昂贵和耗时的.

研究的目的:

开发一种新的无监督深度学习方法,用于糖尿病视网膜病变的分类.
解决监督学习方法的局限性,特别是对专家注释数据的依赖.
提高DR选系统的效率和可访问性.

主要方法:

建议使用动态图集群学习 (DGCL) 方法进行无监督DR分类.
使用多结构特征融合 (MFF) 模块从基底图像中提取欧几里德和拓特征.
使用一致性平滑集群 (CSC) 模块和动态内存存储,以实现稳定和改进的集群性能.

主要成果:

拟议的DGCL方法在公开数据集上的无监督DR分类中表现出卓越的性能.
该方法有效地提取和融合结构和拓特征,以提高分类.
在没有专家注释的情况下,实现了稳定的模型融合和改进的集群准确性.

结论:

该DGCL方法为DR分类提供了一个有前途的无监督方法,减少了对手工注释的依赖.
这种技术有可能显著改善早期DR检测和管理,特别是在资源有限的环境中.
创新的功能融合和集群稳定机制为更高效的AI驱动眼科诊断铺平了道路.