【医学+深度论文：F24】2018 CVPR Deep Learning to Assess Glaucoma Risk and Associated Features in Fundus Image

深度学习评估青光眼风险
最新推荐文章于 2024-02-24 08:42:15 发布
原创 最新推荐文章于 2024-02-24 08:42:15 发布 · 521 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#Deep Learning to Assess Glaucoma Ri #2018 CVPR  #OD #CDR #OC

本研究开发并验证了一种深度学习算法，用于预测眼底图像中的青光眼风险和视盘特征。该算法基于InceptionV3架构，在多个数据集上进行训练和验证，包括EyePACS、Inoveon、AREDS等。结果显示，算法在验证集A上的AUC为0.94（95%CI,0.922-0.955），在验证集B上的AUC为0.858（95%CI,0.836-0.878）。研究发现，视盘杯盘比(CDR)≥0.7、视网膜神经切迹、视网膜神经纤维层(RNFL)缺损及外圈血管的存在是评估青光眼风险的重要特征。
部署运行你感兴趣的模型镜像

24

2018 CVPR

Deep Learning to Assess Glaucoma Risk and Associated Features in Fundus Images

Method ： ONH
Dataset ： 58033 EyePACS, Inoveon, AREDS，3 in India，UK
Architecture : Inception V3
Results ： validation A ：AUC 0.94 （95%CI, 0.922-0.955 ）；Validation B： 0.858 (95% CI, 0.836-0.878)

Google

CDR≥0.7，视网膜边缘切口、视网膜神经纤维层(RNFL)缺损或外露的周围血管是青光眼专家和算法评估青光眼风险的主要依据。

Method

Inception V3
没详细讲
论文倒是挺长的。。后面一堆表格

Result

  • 首次开发验证一种DL算法，用于预测可参考的青光眼风险和预测眼底图像的青光眼ONH特征

  • 评估 不同特征的相对重要性
    CDR ≥ 0.7、视网膜神经切迹、RNFL缺损、外圈血管的存在是与可参考青光眼风险总体评估最相关的4个ONH特征

  • 相对于验证数据集A，验证集B 性能的下降可能是由于两个验证数据集之间的参考标准和患者群体的差异造成的。

limitation

  • 从训练集中剔除低质量图像，限制算法在实际应用中的实用性
  • 排除评分者与参考标准存在潜在偏差的图像
  • 眼底图像的使用放大了RNFL的视神经限制评估。

您可能感兴趣的与本文相关的镜像

Qwen-Image-Edit-2509

Qwen-Image-Edit-2509

图片编辑
Qwen

Qwen-Image-Edit-2509 是阿里巴巴通义千问团队于2025年9月发布的最新图像编辑AI模型，主要支持多图编辑，包括“人物+人物”、“人物+商品”等组合玩法

【Docker故障处理篇】运行容器报错“docker: failed to register layer...file exists.”解决方法
jks212454的博客
05-28 1785
【Docker故障处理篇】运行容器报错“docker: failed to register layer...file exists.”解决方法
【医学+深度论文：F14】2018 Joint Optic Disc and Cup Segmentation Based on Multi Label Deep Network
鹿鹿的博客
06-08 3149
14 2018 T-MI (IEEE Transactions on Medical Imaging ) Joint Optic Disc and Cup Segmentation Based on Multi Label Deep Network and Polar Transformation Method ： 分割 joint视盘视杯，计算杯盘比 one-stage multi-...
【医学影像系列三】青光眼诊断眼底图像数据集｜代码｜论文总结｜结果汇总｜名词解析｜评价指标
鹿鹿的博客
11-08 2万+
导语：这是之前做青光眼诊断研究时候整理的资料，所有的文章数字编号都对应我之前发表的论文阅读博客，比如方法汇总 No.15 对应【医学+深度论文：F15】这篇文章。有一些对大家有用但是我没有用到的学习资料也放在文中。汇总整理难免有遗漏，希望大家能够提出和补充，谢谢～ Dataset 数据集汇总 Dataset Name & Paper Country Photo Feature Equipment disease Drishti-GS Retinal image dataset .
【AI视野·今日CV 计算机视觉论文速览 第153期】Fri, 16 Aug 2019
TomRen
09-04 2074
AI视野 今日CS.CV 计算机视觉论文速览 --图像修复网络 --多尺度目标检测MatrixNet --多视角点云网络 Point-MVSNet --AdeFace人脸对抗生成
redis的数据集
lpfasd123的博客
01-16 974
Redis支持5种数据类型。字符串Redis中的字符串是一个字节序列。Redis中的字符串是二进制安全的，这意味着它们的长度不由任何特殊的终止字符决定。因此，可以在一个字符串中存储高达512兆字节的任何内容。示例 redis 127.0.0.1:6379> set name "yiibai.com" OK redis 127.0.0.1:6379&g...
机器学习数据集汇总
谷雨
12-31 7759
一些贝叶斯网 http://bndg.cs.aau.dk/html/ kdd99数据集 http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html 机器学习UCI数据库 http://archive.ics.uci.edu/ml/ 数据集索引 http://dmr.cs.umn.edu/datasets.html
基于AMDGPU-ROCm的深度学习环境搭建
tugouxp的专栏
02-24 6590
在风起云涌的AI江湖，NVIDIA凭借其CUDA生态和优秀的硬件大杀四方，立下赫赫战功，而另一家公司AMD也不甘示弱，带着他的生态解决方案ROCm开始了与不世出的NVIDA的正面硬钢，"ROCm is the answer to CUDA", AMD官网如是说。ROCm全称是Radeon Open Compute，从功能上，它是AMD提供的一套用于支持异构计算和GPU加速计算的开发工具和平台。
在Raspberry Pi 4上安装NCNN/MNN深度学习框架(aarch64+armv7l)
xfxuezhang.cn
11-30 1万+
实用、简单。 Raspberry 64-bit (aarch64) # check for updates (64-bit OS is still under development!) $ sudo apt-get update $ sudo apt-get upgrade # install dependencies $ sudo apt-get install cmake wget $ sudo apt-get install libprotobuf-dev
http://95u.free.fr/index.php,Electronic Software Distribution Service
热门推荐
weixin_39632291的博客
03-19 146万+
Content-Type: multipart/related; start=; boundary=----------OH5LlQ9dynBJGqR8E2AiMRContent-Location: https://software.pitt.edu/software/software.aspSubject: =?utf-8?Q?Electronic=20Software=20Distributi...
2023年的深度学习入门指南(27) - CUDA的汇编语言PTX与SASS
lusing的专栏
09-17 1万+
通过前面的学习，我们了解了在深度学习和大模型中，GPU的广泛应用。可以说，不用说没有GPU，就算是没有大显存和足够先进的架构，也没法开发大模型。有的同学表示GPU很神秘，不知道它是怎么工作的。其实，GPU的工作原理和CPU是一样的，都是通过指令来控制硬件的。只不过，GPU的指令集和CPU不一样。下面我们就走进GPU的内部，看看如何用汇编来写GPU的程序。
Deep High-Resolution Representation Learning for Visual Recognition阅读笔记
AnZhiJiaShu's blog
05-08 2833
用于视觉识别的深度高分辨率表征学习 论文链接 摘要： 高分辨率表示对于人体姿态估计、语义分割和目标检测这类位置敏感的视觉问题至关重要。现有的 sota 框架首先通过一个 high-to-low 分辨率卷积串联（例如ResNet、VGGNet）形成的子网将输入图像编码为低分辨率表示，然后从编码的低分辨率表示中恢复高分辨率表示。但是，HRNet在整个过程中保持高分辨率表示。HRNet 有两个关键特征：(i) 并行连接 high-to-low 分辨率卷积流；(ii) 在不同分辨率之间反复交换信息。这样能够使 H
(gdb) disas main Dump of assembler code for function main: 0x00400ee0 <+0>: addiu sp,sp,-32752 0x00400ee4 <+4>: sw ra,32748(sp) 0x00400ee8 <+8>: sw s8,32744(sp) 0x00400eec <+12>: addiu sp,sp,-7288 0x00400ef0 <+16>: move s8,sp 0x00400ef4 <+20>: li v0,0x9c68 0x00400ef8 <+24>: addu v0,v0,s8 0x00400efc <+28>: sw a0,0(v0) 0x00400f00 <+32>: li v0,0x9c6c 0x00400f04 <+36>: addu v0,v0,s8 0x00400f08 <+40>: sw a1,0(v0) 0x00400f0c <+44>: lui v0,0x7fff 0x00400f10 <+48>: ori v0,v0,0xffff 0x00400f14 <+52>: sw v0,28(s8) 0x00400f18 <+56>: lw v0,28(s8) 0x00400f1c <+60>: nop 0x00400f20 <+64>: sw v0,24(s8) 0x00400f24 <+68>: addiu v0,s8,24 0x00400f28 <+72>: move a1,v0 0x00400f2c <+76>: li a0,4 0x00400f30 <+80>: jal 0x402550 <setrlimit@plt> 0x00400f34 <+84>: nop 0x00400f38 <+88>: addiu v0,s8,32 0x00400f3c <+92>: li a2,20000 0x00400f40 <+96>: li a1,49 0x00400f44 <+100>: move a0,v0 0x00400f48 <+104>: jal 0x4025a0 <memset@plt> 0x00400f4c <+108>: nop 0x00400f50 <+112>: addiu v0,s8,32 0x00400f54 <+116>: addiu v0,v0,20000 0x00400f58 <+120>: li a2,20000 0x00400f5c <+124>: li a1,50 0x00400f60 <+128>: move a0,v0 0x00400f64 <+132>: jal 0x4025a0 <memset@plt> 0x00400f68 <+136>: nop 0x00400f6c <+140>: addiu v0,s8,32 0x00400f70 <+144>: addiu v0,v0,100 0x00400f74 <+148>: addiu v1,s8,32 0x00400f78 <+152>: addiu v1,v1,16 0x00400f7c <+156>: li a2,30000 0x00400f80 <+160>: move a1,v1 0x00400f84 <+164>: move a0,v0 0x00400f88 <+168>: jal 0x402590 <memmove@plt> 0x00400f8c <+172>: nop 0x00400f90 <+176>: addiu v0,s8,32 0x00400f94 <+180>: addiu v0,v0,16 0x00400f98 <+184>: addiu v1,s8,32 0x00400f9c <+188>: addiu v1,v1,100 0x00400fa0 <+192>: li a2,30000 0x00400fa4 <+196>: move a1,v1 0x00400fa8 <+200>: move a0,v0 0x00400fac <+204>: jal 0x402590 <memmove@plt> 0x00400fb0 <+208>: nop 0x00400fb4 <+212>: li a0,10 0x00400fb8 <+216>: jal 0x402560 <sleep@plt> 0x00400fbc <+220>: nop 0x00400fc0 <+224>: b 0x400fb4 <main+212> 0x00400fc4 <+228>: nop
11-03
我们拿到了main函数的汇编代码，需要分析第二次memmove调用前的栈布局，以及可能的栈溢出问题。 从汇编代码中，我们可以计算栈空间分配和局部变量的位置。 关键点： 1.... <+0>: addiu sp,sp,-32752 # 第一次调整栈...
F24-60+双摇杆工业遥控器.doc
10-21
F24+系列在各种环境下的接收灵敏度极高，配合内藏天线，即使在重工业环境中也能保证通信质量。 最后，F24-60+采用智慧型E卡设计，可轻松复制和交换功能参数，全客制化的设定软件结合人性化的界面，让设置变得简单...
int main(int argc, char *argv[]) { struct rlimit rlimit_new; rlimit_new.rlim_cur = rlimit_new.rlim_max = RLIM_INFINITY; setrlimit(RLIMIT_CORE, &rlimit_new); char test[40000]; memset(test, '1', 40000/2); memset(test + 40000/2, '2', 40000/2); memmove(test + 100, test + 16, 30000); memmove(test + 16, test + 100, 30000); abort(); return 0; } 以上是我写的main函数，发现在第二次memmove之后，(test, test+30000)之间出现大量空洞，时预期之外的空字符。我没有memmove函数的源码，只有libc.so*。 以下是我gdb反汇编main函数，帮我分析出现空洞的原因。 (gdb) disassemble main Dump of assembler code for function main: 0x00400ef0 <+0>: addiu sp,sp,-48 0x00400ef4 <+4>: sw ra,44(sp) 0x00400ef8 <+8>: sw s8,40(sp) 0x00400efc <+12>: move s8,sp 0x00400f00 <+16>: sw a0,48(s8) 0x00400f04 <+20>: sw a1,52(s8) 0x00400f08 <+24>: lui v0,0x7fff 0x00400f0c <+28>: ori v0,v0,0xffff 0x00400f10 <+32>: sw v0,32(s8) 0x00400f14 <+36>: lw v0,32(s8) 0x00400f18 <+40>: nop 0x00400f1c <+44>: sw v0,28(s8) 0x00400f20 <+48>: addiu v0,s8,28 0x00400f24 <+52>: move a1,v0 0x00400f28 <+56>: li a0,4 0x00400f2c <+60>: jal 0x402570 <setrlimit@plt> 0x00400f30 <+64>: nop 0x00400f34 <+68>: li a0,0x9c40 0x00400f38 <+72>: jal 0x402590 <malloc@plt> 0x00400f3c <+76>: nop 0x00400f40 <+80>: sw v0,24(s8) 0x00400f44 <+84>: li a2,20000 0x00400f48 <+88>: li a1,49 0x00400f4c <+92>: lw a0,24(s8) 0x00400f50 <+96>: jal 0x4025c0 <memset@plt> 0x00400f54 <+100>: nop 0x00400f58 <+104>: lw v0,24(s8) 0x00400f5c <+108>: nop 0x00400f60 <+112>: addiu v0,v0,20000 0x00400f64 <+116>: li a2,20000 0x00400f68 <+120>: li a1,50 0x00400f6c <+124>: move a0,v0 0x00400f70 <+128>: jal 0x4025c0 <memset@plt> 0x00400f74 <+132>: nop 0x00400f78 <+136>: lw v0,24(s8) 0x00400f7c <+140>: nop 0x00400f80 <+144>: addiu v1,v0,100 0x00400f84 <+148>: lw v0,24(s8) 0x00400f88 <+152>: nop 0x00400f8c <+156>: addiu v0,v0,16 0x00400f90 <+160>: li a2,30000 0x00400f94 <+164>: move a1,v0 0x00400f98 <+168>: move a0,v1 0x00400f9c <+172>: jal 0x4025b0 <memmove@plt> 0x00400fa0 <+176>: nop 0x00400fa4 <+180>: lw v0,24(s8) 0x00400fa8 <+184>: nop 0x00400fac <+188>: addiu v1,v0,16 0x00400fb0 <+192>: lw v0,24(s8) 0x00400fb4 <+196>: nop 0x00400fb8 <+200>: addiu v0,v0,100 0x00400fbc <+204>: li a2,30000 0x00400fc0 <+208>: move a1,v0 0x00400fc4 <+212>: move a0,v1 0x00400fc8 <+216>: jal 0x4025b0 <memmove@plt> 0x00400fcc <+220>: nop 0x00400fd0 <+224>: lw a0,24(s8) 0x00400fd4 <+228>: jal 0x4025e0 <free@plt> 0x00400fd8 <+232>: nop 0x00400fdc <+236>: jal 0x4025d0 <abort@plt> 0x00400fe0 <+240>: nop End of assembler dump.
11-04
我们分析一下代码和汇编： 1. C代码中，首先设置core文件大小无限制。 2. 然后分配了40000字节的堆内存（通过malloc，0x9c40=40000）。 3.... 4.... 将test+16开始的30000字节移动到test+100开始的位置。...
0x1a2a50f10 <+16>: add x29, sp, #0x20 0x1a2a50f14 <+20>: mov x19, x2 0x1a2a50f18 <+24>: mov x20, x0 0x1a2a50f1c <+28>: str x1, [sp] 0x1a2a50f20 <+32>: adrp x2, 1 0x1a2a50f24 <+36>: add x2, x2, #0xe3a ; "%s" 0x1a2a50f28 <+40>: mov w1, #0x800 ; =2048 0x1a2a50f2c <+44>: bl 0x1a2a512dc ; symbol stub for: snprintf 0x1a2a50f30 <+48>: adrp x8, 367678 0x1a2a50f34 <+52>: add x8, x8, #0xde0 ; gCRAnnotations + 8 0x1a2a50f38 <+56>: stp x20, x19, [x8] -> 0x1a2a50f3c <+60>: brk #0x1 在这里出现错误the process stoped at a breakpoint什么原因？
最新发布
11-12
从你提供的汇编代码和错误信息来看，程序在 `0x1a2a50f3c` 处触发了一个 **`brk #0x1`** 指令，导致进程停止并报错 **"the process stopped at a breakpoint"**。以下是可能的原因和解决方法： ...
【医学影像系列：一】数据集合集 最新最全
鹿鹿的博客
05-26 4万+
医学影像 Github ：哈佛 beamandrew机器学习和医学影像研究者-贡献的数据集 Academic torrents Github ：医学成像数据集 ISBI（生物医学成像国际研讨会） Eye OCT 光学相干断层扫描（OCT）和年龄相关性黄斑变性（AMD） 光学相干断层扫描（OCT）和糖尿病性黄斑水肿（DME） 年龄相关性黄斑变性（AMD）和糖尿病性黄斑水肿 ...
【医学影像系列：二】眼底图像数据集整理（糖尿病视网膜病变/青光眼...）
鹿鹿的博客
06-09 1万+
眼底图像 其他医学图像 数据集合集 最新最全
【医学影像系列：二】2019 综述阅读 Going Deep in Medical Image Analysis:Concepts, Methods, Challenges and Future
鹿鹿的博客
05-26 2518
2019 arXiv Going Deep in Medical Image Analysis:Concepts, Methods, Challenges and Future Directions Method 医学图像分析主要包含的模式识别任务是 检测/定位、分割、配准、分类。常见的医学影像包括 Brain、Breast、Eye、Chest、Abdomen等。 检测/定位 分...
【医学+深度论文：F20】2019 CVPR Attention Based Glaucoma Detection: A Large-scale Database and CNN Model
鹿鹿的博客
06-22 2440
20 2019 CVPR Attention Based Glaucoma Detection: A Large-scale Database and CNN Model Method ： 分类 Dataset ：LAG 5824 fundus （2392 G，3432 N）、 RIM-ONE Architecture : AG-CNN | attention Results ：LAG AC...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值