.png){kind=icon}
返回
Enhancing Instance Feature Representation: A Foundation Model-Based Multi-Instance Approach for Neonatal Retinal Screening
.png){kind=icon}
PRE
AI
DOI：10.1109/TBME.2025.3612381.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动化新生儿眼底图像分析在医学影像领域呈现出独特的复杂性挑战。现有方法主要集中于从单张图像诊断异常，但由于新生儿视网膜特征的多样性和细微性，常导致精度不足。因此，临床标准通常要求从多个角度采集视网膜图像，以确保微小病变的检出。为适应这一需求，我们提出利用从视网膜不同区域捕获的多张眼底图像，对多种新生儿眼部病理进行全面筛查。我们采用多重实例学习（MIL）方法，并在现有MIL方法基础上引入一种简单而有效的可学习结构，称为Learnable Dense to Global（LD2G-MIL）。与侧重实例到袋特征聚合的其他方法不同，所提方法聚焦于生成更优的实例级表示，并通过可学习方式与下游MIL目标协同优化。此外，该方法还整合了基于袋先验相似性损失（BP损失）机制，利用先验知识提升新生儿视网膜筛查性能。为验证LD2G-MIL方法的有效性，我们构建了新生儿眼底图像（NFI）数据集，该数据集包含8,886个新生儿临床病例的115,621张视网膜图像。在该数据集上的实证评估表明，我们的方法在持续超越当前最优（SOTA）通用及专业方法。
Keyword:
Neonatal fundus images
multi-instance learning
foundation model
knowledge priors
期刊
I
IF:
4.5
论文数:
573
被引数:
2.8W
机构
引用论文
Feature Re-Embedding: Towards Foundation Model-Level Performance in Computational Pathology特征重新嵌入: 迈向计算病理学中的基础模型级性能
PREAI
分享收藏Automatic Staging for Retinopathy of Prematurity With Deep Feature Fusion and Ordinal Classification Strategy采用深度特征融合和有序分类策略对早产儿视网膜病变进行自动分期
PREAI
分享收藏A practical model for the identification of congenital cataracts using machine learning.png)
EBIOMEDICINE
OAAI
EBIOMEDICINEIF10.8
OAAI分享收藏Cross-scale multi-instance learning for pathological image diagnosis跨尺度多示例学习在病理图像诊断中的应用MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏Long-term Outcomes in Patients Undergoing Surgery for Primary Congenital Glaucoma between 1991 and 2000 A Single-Center Database Study原发性先天性青光眼手术患者的长期预后1991年和2000单中心数据库研究OPHTHALMOLOGY
OPHTHALMOLOGYIF9.5
PREAI
分享收藏分享收藏
查看更多内容