深度学习用于视网膜血管细分:对技术和应用的系统审查
Zhihui Liu1,2, Mohd Shahrizal Sunar3,4, Tian Swee Tan5,6
1Faculty of Computing, Universiti Teknologi Malaysia, 81310, Johor Bahru, Johor, Malaysia.
Medical & biological engineering & computing
|February 18, 2025
概括
深度学习自动化了视网膜血管细分,用于早期检测眼部疾病. 本综述强调了U-Net和变压器模型,建议采用混合方法来提高眼科诊断的准确性.
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:
- 眼科疾病导致不可逆转的视力丧失,视网膜损伤是主要问题.
- 视网膜血管分析对于诊断眼睛疾病至关重要,因为结构变化表明了潜在的问题.
- 手动细分视网膜血管是耗时和主观的.
研究的目的:
- 系统地审查基于深度学习的视网膜血管细分研究.
- 分析数据集,模型,评估指标和自动视网膜细分的趋势.
- 确定该领域的挑战和未来的研究方向.
主要方法:
- 按照PRISMA指南进行系统审查.
- 在四个数据库 (Web of Science,Scopus,IEEE Xplore,PubMed) 搜索了2020-2024年发表的研究.
- 包括79项专注于视网膜血管细分的深度学习的研究.
主要成果:
- U-Net和变压器架构在视网膜血管细分方面取得了显著的成功.
- "U-Net"擅长保存细节,而"变形金刚"则有效地捕捉全球背景.
- 目前的方法面临挑战,这表明需要进一步的进步.
结论:
- 深度学习为视网膜血管细分提供了强大的自动化解决方案.
- 结合U-Net,变压器和生成对抗网络 (GAN) 的混合模型显示出提高准确性的承诺.
- 未来的研究应该专注于开发强大的混合模型,以改善眼科诊断.
