学术不端文献论文查重检测系统 多语种 图文 高校 期刊 职称 查重 抄袭检测系统
在青光眼检测方面也有人开发了深度学习系统来直接鉴别青光眼。 然而,这些方法主要集中在研究视盘区域有限的上下文信息,而忽视了整个眼底图像的全局信息。 视盘区域的裁切也影响了筛查的准确度。
为了自动筛查青光眼,人们研究出了一些基于度量的方法,首先分割出主要的图像结构(包含视杯(optic cup)和视盘(optic cup)),然后计算一些度量参数值来判断。 然而这些方法严重依赖于分割的精度,而分割的精度又容易受到一些因素干扰很难控制。 近年来基于学习的方法逐渐得到了发展,主要是学习眼底图像的各种可视化的特征,然后根据训练好的分类器来对青光眼进行筛查。 根据提取的可视化图像特征,又可以挖掘出更多的相关信息,进一步丰富了临床数据。 深度学习技术近年来被证明在很多计算机视觉的领域都取得了良好的成效,在医学图像分析领域也是如此。 举例来说,卷积神经网络(CNNs)通过学习分层的特征,在眼底血管检测方面效果显著。 在青光眼检测方面也有人开发了深度学习系统来直接鉴别青光眼。
原论文: Fu, Huazhu , et al. "Disc-aware Ensemble Network for Glaucoma Screening from Fundus Image." IEEE Transactions on Medical Imaging (2018):1-1. 青光眼是一种能够致盲的常见眼病,并且具有不可逆性。 因此早期的诊断和治疗对于提高患者的生活质量有至关重要的作用。
闭角型青光眼患者的临床特征可通过前房角镜观察获得。 前房角镜是一个简单的,手持式镜面反射装置,放置在患者眼睛上后,再通过裂隙灯生物显微镜检查房角(图5)。 随着房角镜动态变化,检查者能够确定周边前粘连(虹膜和小梁之间的粘连)是否存在。