相关实验视频
Updated: Jun 10, 2025
09:17
Using Retinal Imaging to Study Dementia
Published on: November 6, 2017
21.6K
RFMiD:用于多种疾病检测的视网膜图像分析挑战
Samiksha Pachade1, Prasanna Porwal1, Manesh Kokare1
1Center of Excellence in Signal and Image Processing, Shri Guru Gobind Singhji Institute of Engineering and Technology, Nanded 431606, India.
Medical image analysis
|October 12, 2024
概括
创建了一个新的挑战和数据集 (RFMiD) 以使用深度学习来检测常见和罕见的视网膜疾病. 顶级方法结合了数据预处理,增强和组合,以更好地对多种疾病进行查.
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:
- 现有的视网膜疾病诊断的深度学习模型专注于常见的病理,如糖尿病视网膜病变,玻璃眼和与年龄相关的黄斑变性.
- 计算机辅助诊断系统经常忽视罕见但危及视力的疾病,限制眼科医生对其临床采用.
- 需要能够检测更广泛的视网膜疾病的自动化系统,包括频繁和罕见的疾病.
研究的目的:
- 通过将罕见病理与常见病理一起纳入,推进自动眼部疾病分类的最新技术.
- 组织一个大型挑战",用于多种疾病检测的视网膜图像分析" (ISBI 2021),以促进该领域的研究.
- 引入一个新的数据集",视网膜底部多种疾病图像数据集" (RFMiD),用于训练和评估多种疾病检测模型.
主要方法:
- 这个挑战有两个子挑战:二进制疾病查和28类多标签疾病分类.
- 使用了一个新的数据集,RFMiD,包括用于多种疾病检测的 fundus 图像.
- 高性能解决方案涉及数据预处理,数据增强,预训练模型和模型组合的组合.
主要成果:
- 该挑战收到了74份提交,表明科学界对此有很大的兴趣.
- 顶级的方法证明了结合各种人工智能技术用于多种疾病检测的有效性.
- 结果为更普遍的视网膜查模型铺平了道路,这些模型既可以解释常见疾病,也可以解释罕见疾病.
结论:
- 开发的多种疾病检测方法,包括罕见的病理,可以创建更全面的视网膜查工具.
- 这项工作超越了单一疾病检测系统,解决了当前自动眼科工具的关键缺口.
- 挑战的成功和顶级方法的表现突显了AI在提高视网膜疾病诊断范围和准确性的潜力.
