.png){kind=icon}
返回
GONet: A Generalizable Deep Learning Model for Glaucoma Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TBME.2025.3576688.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
青光眼性视神经病变（GON），影响全球估计6430万人，若未及早发现会导致不可逆的视力丧失。传统诊断需要专家进行耗时且费力的眼科检查。近期用于从彩色眼底照片（CFP）自动检测GON的深度学习模型已显示出前景，但通常在不同种族、疾病组和检查环境中的泛化能力有限。为解决这些局限性，我们引入了GONet，这是一个使用七个独立数据集开发的稳健深度学习模型，包括超过119,000张带有金标准注释且来自不同地理背景患者的CFP。GONet由一个DINOv2预训练自监督视觉Transformer组成，并采用多源域策略进行微调。GONet在目标域中表现出高域外泛化能力，AUC为0.88-0.99。GONet的性能与现有最佳方法相当或更优，且优于视杯盘比（C/D比）达18.4%。GONet可通过Lirot.ai（www.aimlab-technion.com/lirot-ai）获取。我们还贡献了一个包含747张带GON标签的CFP的新数据集，作为开放获取资源，可从https://doi.org/10.13026/pdxv-m215获取。
Keyword:
Colour fundus photographs
deep learning
digital fundus images
glaucoma
out-of-distribution generalization performance
self-supervised learning
期刊
I
IF:
4.5
论文数:
547
被引数:
2.8W
机构
引用论文
Prevalence of Glaucoma in the United States: The 2005-2008 National Health and Nutrition Examination Survey美国青光眼的患病率: 2005 2008的国家健康和营养检查调查
OAAI
OAAI分享收藏Comparing the Areas under Two or More Correlated Receiver Operating Characteristic Curves: A Nonparametric Approach比较两个或多个相关接收器工作特性曲线下的区域: 非参数方法.png)
Biometrics
BiometricsIF0
PREAI
分享收藏GAMMA challenge: Glaucoma grAding from Multi-Modality imAgesGAMMA挑战: 来自多模态图像的青光眼分级MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏
查看更多内容