文獻探討_Main＆參考資料

###### tags: `陳` # 文獻探討_Main＆參考資料 ## 英文 ## 中文 - 白內障根據「蛋白質沉積面積」分為白內障、皮層白內障，後囊後白內障三類，核白內障在晶狀體核上發展，通常在老年人身上出現，皮質性白內障圍繞在水晶體的皮質中發展，**<後囊內...>**[1-2]。2014年更新的《關於白內障的世界衛生報告》聲稱:全世界估計有2.8億視力障礙者，其中3900萬人是盲人，246人視力低下[3]。依照目前的情況，由於人口老齡化和中低收入國家所需醫療基礎設施的短缺，導致失明的白內障病例很可能會增加[3]。因此對全世界而言，白內障問題並未完全被克服，需要借助更有效的方法，以協助病患及醫療人員做出更快速更準確的判斷。 - 1989年核磁共振顯微鏡成像法曾被用於檢測初期階段的白內障，但該方法受到分辨率問題的限制[3-10]。現今檢測白內障的設備是基於眼底照相機或數位單鏡反射照相機，但兩者都很昂貴[3]。Yang等人指出:常見的白內障診斷方法需要裂隙燈或其他白內障分級系統，對許多患者來說複雜且昂貴[4]。Patil等人更指出:裂隙燈成像法是最為常用的，昂貴且準確性較低，只能檢測和分級特定的白內障[1-2]。 - Sigit等人使用Canny邊緣檢測、霍夫轉換和瞳孔區域裁剪，以平均強度和均勻性獲得特徵，再提取結果訓練數據使用單層感知機方法，用於確定不同類型的分類結果[6]。眼科醫師可以透過檢查眼底相片的清晰程度來診斷白內障[4]。因此過去部分研究透過眼底圖像進行，眼底圖像分類的目標是建立一個分類器來模擬眼底圖像，自動檢查白內障檢測和分級的過程[4]。Patil等人將眼底鏡用於產生紅色反射效果，光線從眼球的後方反射並穿過瞳孔，形成一條光通路，根據阻礙通路的因素檢測白內障[1-2]。Nayak則表示:罹患白內障的圖像對比正常圖像，白內障患者的角膜圖像表面顏色較亮[3-10]。然而，環境條件(如光反射)會影響圖像的品質，影響分類的效率[3-10]。由於局部的不均勻照明和眼睛反射，會影響眼底圖像的品質，可能會影響白內障的檢測和分級的準確性[8]。因此在實驗的過程中，環境條件需要特別留意，避免造成錯誤判斷。 - 降低成本並簡化早期診斷過程，對低度發展地區的患者來說非常關鍵，並且為他們帶來光明[4]。Sigit等人開發的系統可以用於對所有人的白內障檢查。如果檢測到白內障，可以在變嚴重前，立即向眼科醫生尋求進一步檢查並治療[6]。與先前研究之間的區別在於:使用了更多的訓練數據，且數據直接來自擁有智慧型手機的患者[6]。Qian等人進行的實驗使白內障分類更加輕鬆、眼科醫生可以在更短的時間內對不同類別的白內障進行手術，以治愈白內障患者。對於在偏遠地區的人來說，即使是經驗較少的醫生，也可以使用照相機，並利用程式正確地對白內障進行分類[7]。因此具有高效的算法的系統及便攜性，可讓偏遠地區人員用最少的時間在智慧型手機中進行檢測[1-2]。 - 由蒐集的文獻可知，較少有研究著重於眼睛表面的圖像檢測而進行模型訓練，並以低成本、高方便性且有效的方式，提供醫療人員進行初步判斷，及潛在病患進行自我檢測。 --- ### 選擇使用 - 共26篇 - [ ] [1] - [x] [1-2] - [ ] [2] - [x] [3] - [x] [3-10] - [x] [4] - [ ] [5] - [x] [6] - [x] [7] - [x] [8] - [x] [9] - [x] [10] - [x] [11] - [x] [12] - [x] [13] - [x] [14] - [x] [15] - [x] [16] - [x] [17] - [x] [18] - [x] [19] - [ ] [20] - [ ] [21] - [ ] [22] - [ ] [23] - [ ] [24] - [x] [增1] - [x] [增2] - [x] [增3] # Reference ## Paper ### Remember: Sort by first letter (In Our Paper) Title, Main Author, Publish Date, APA OR? ### (1) Cataract Detection using Digital Image Processing https://ieeexplore.ieee.org/document/8978316 #### Oct 18-20, 2019 #### Ishitaa Jindal... - I. Jindal, P. Gupta and A. Goyal, "Cataract Detection using Digital Image Processing," 2019 Global Conference for Advancement in Technology (GCAT), 2019, pp. 1-4, doi: 10.1109/GCAT47503.2019.8978316. ==賴== ### (1-2) Analysis and Study of Cataract Detection Techniques https://ieeexplore-ieee-org.autorpa.lib.ncnu.edu.tw/document/7955355 #### 2016 #### Darshana Patil... - D. Patil, A. Nair, N. Bhat, R. Chavan and D. Jadhav, "Analysis and study of cataract detection techniques," 2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC), 2016, pp. 516-519, doi: 10.1109/ICGTSPICC.2016.7955355. ==賴== ### (2) Automatic Cataract Detection of Optical Image using Histogram of Gradient #### June-2018 #### Reddy Pavan... - Reddy Pavan , Dr. A. Deepak, 2018, Automatic Cataract Detection of Optical Image using Histogram of Gradient, INTERNATIONAL JOURNAL OF ENGINEERING RESEARCH & TECHNOLOGY (IJERT) Volume 07, Issue 06 (June 2018), ==鍾== ### (3) A Robust Automated Cataract Detection Algorithm Using Diagnostic Opinion Based Parameter Thresholding for Telemedicine Application https://doi.org/10.3390/electronics5030057 #### Published: 15 September 2016 #### Shashwat Pathak... - Pathak, S.; Kumar, B. A Robust Automated Cataract Detection Algorithm Using Diagnostic Opinion Based Parameter Thresholding for Telemedicine Application. Electronics 2016, 5, 57. ==王== ### (3)-10 Automated Classification of Normal, Cataract and Post Cataract Optical Eye Images using SVM Classifier http://www.iaeng.org/publication/WCECS2013/WCECS2013_pp542-545.pdf #### 23-25 October, 2013 #### Jagadish Nayak - Nayak, Jagadish. (2013). Automated Classification of Normal, Cataract and Post Cataract Optical Eye Images using SVM Classifier. Lecture Notes in Engineering and Computer Science. 1. 542-545. ==王== ### (4) Exploiting ensemble learning for automatic cataract detection and grading #### February 2016 #### Ji-Jiang Yang... - Ji-Jiang Yang, Jianqiang Li, Ruifang Shen, Yang Zeng, Jian He, Jing Bi, Yong Li, Qinyan Zhang, Lihui Peng, Qing Wang, Exploiting ensemble learning for automatic cataract detection and grading, Computer Methods and Programs in Biomedicine, Volume 124, 2016, Pages 45-57. ==陳== ### (5) Mobile Application Based Cataract Detection System #### 23-25 April 2019 #### Vaibhav Agarwal... - V. Agarwal, V. Gupta, V. M. Vashisht, K. Sharma and N. Sharma, "Mobile Application Based Cataract Detection System," 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI), 2019, pp. 780-787, doi: 10.1109/ICOEI.2019.8862774. ==陳== ### (6) Cataract Detection Using Single Layer Perceptron Based on https://ieeexplore-ieee-org.autorpa.lib.ncnu.edu.tw/document/8982445 #### 29-30 Oct. 2019 #### Riyanto Sigit.. - Sigit, R., Triyana, E., & Rochmad, M. (2019). Cataract Detection Using Single Layer Perceptron Based on Smartphone. 2019 3rd International Conference on Informatics and Computational Sciences (ICICoS), 1-6. ==洪== ### (7) Machine Learning on Cataracts Classification Using SqueezeNet #### 21-24 Oct. 2018 #### Xingzhi Qian.. - Qian, X., Patton, E., Swaney, J., Xing, Q., & Zeng, T. (2018). Machine Learning on Cataracts Classification Using SqueezeNet. 2018 4th International Conference on Universal Village (UV), 1-3. ==洪== ### (8) A Hybrid Global-Local Representation CNN Model for Automatic Cataract Grading https://www.researchgate.net/publication/332860885_A_Hybrid_Global-Local_Representation_CNN_Model_for_Automatic_Cataract_Grading #### FEBRUARY 2019 #### Xi Xu.. - Xi Xu, Linglin Zhang, Jianqiang Li, Yu Guan, Li Zhang. A Hybrid Global-Local Representation CNN Model for Automatic Cataract Grading. IEEE J Biomed Health Inform. 2020;24(2):556-567. doi:10.1109/JBHI.2019.2914690 ==鍾== ### (9) The lens opacities classification system III - Chylack LT, Wolfe JK, Singer DM, et al. The Lens Opacities Classification System III. Arch Ophthalmol. 1993;111(6):831–836. doi:10.1001/archopht.1993.01090060119035 ==陳== ### (10) Cataract prevalence varies substantially with assessment systems: comparison of clinical and photographic grading in a population-based study - Anna C. S. Tan, Jie Jin Wang, Ecosse L. Lamoureux, Wanling Wong, Paul Mitchell, Jialiang Li, Ava Grace Tan & Tien Y. Wong (2011) Cataract Prevalence Varies Substantially with Assessment Systems: Comparison of Clinical and Photographic Grading in a Population-Based Study, Ophthalmic Epidemiology, 18:4, 164-170, DOI: 10.3109/09286586.2011.594205 - NOPDF ==陳== ### (11) Cataract and surgery for cataract - Allen D, Vasavada A. Cataract and surgery for cataract BMJ 2006; 333 :128 doi:10.1136/bmj.333.7559.128 ==陳== ### (12) Retinal Imaging and Image Analysis - M. D. Abràmoff, M. K. Garvin and M. Sonka, "Retinal Imaging and Image Analysis," in IEEE Reviews in Biomedical Engineering, vol. 3, pp. 169-208, 2010, doi: 10.1109/RBME.2010.2084567. ==陳== ### (13) A survey on deep learning in medical image analysis - Geert Litjens, Thijs Kooi, Babak Ehteshami Bejnordi, Arnaud Arindra Adiyoso Setio, Francesco Ciompi, Mohsen Ghafoorian, Jeroen, A.W.M van der Laak, Bram van Ginneken, Clara I. Sánchez “A survey on deep learning in medical image analysis”, Journal of Medical Image Analysis, Volume-42,2017,60-88 ==陳== ### (14) Machine Learning for Medical Image Analysis - A. Criminisi “Machine Learning for Medical Image Analysis”, Journal of Medical Image Analysis, Volume-33,2016,91-93. ==陳== ### (15) Investigating telemedicine developments in Taiwan: implications for telemedicine program management - P. J. H. Hu, Chih-Ping Wei and Tsang-Hsiang Cheng, "Investigating telemedicine developments in Taiwan: implications for telemedicine program management," Proceedings of the 35th Annual Hawaii International Conference on System Sciences, 2002, pp. 8 pp.-, doi: 10.1109/HICSS.2002.994133. ==陳== ### (16) A Mobile Framework for Personalized Diabetes Telecare - I. Tsai, Y. Lin, Y. Yang and V. S. Tseng, "A Mobile Framework for Personalized Diabetes Telecare," 2012 Conference on Technologies and Applications of Artificial Intelligence, 2012, pp. 97-102, doi: 10.1109/TAAI.2012.13. ==陳== ### (17) Enabling telecare assessment with pervasive sensing and Android OS smartphone - O. Postolache et al., "Enabling telecare assessment with pervasive sensing and Android OS smartphone," 2011 IEEE International Symposium on Medical Measurements and Applications, 2011, pp. 288-293, doi: 10.1109/MeMeA.2011.5966761. ==陳== ### (18) Highlight Removal Based on Frequency-Domain Filtering - Yuting, Chai & Zhao, 王昭 & Jianmin, 高建民 & Junhui, 黄军辉. (2013). Highlight Removal Based on Frequency-Domain Filtering. Laser & Optoelectronics Progress. 50. 051205. 10.3788/LOP50.051205. (反光的文獻) - NOPDF ==陳== ### (19) Detection and classification of lung abnormalities by use of convolutional neural network (CNN) and regions with CNN features (R-CNN) - S. Kido, Y. Hirano and N. Hashimoto, "Detection and classification of lung abnormalities by use of convolutional neural network (CNN) and regions with CNN features (R-CNN)," 2018 International Workshop on Advanced Image Technology (IWAIT), 2018, pp. 1-4, doi: 10.1109/IWAIT.2018.8369798. ==陳== ### (20) Performing high accuracy of the system for cataract detection using statistical texture analysis and K-Nearest Neighbor - Y. N. Fuadah, A. W. Setiawan and T. L. R. Mengko, "Performing high accuracy of the system for cataract detection using statistical texture analysis and K-Nearest Neighbor," 2015 International Seminar on Intelligent Technology and Its Applications (ISITIA), 2015, pp. 85-88, doi: 10.1109/ISITIA.2015.7219958. ==陳== ### (21) Classification of retinal image for automatic cataract detection - Meimei Yang, J. Yang, Qinyan Zhang, Yu Niu and Jianqiang Li, "Classification of retinal image for automatic cataract detection," 2013 IEEE 15th International Conference on e-Health Networking, Applications and Services (Healthcom 2013), 2013, pp. 674-679, doi: 10.1109/HealthCom.2013.6720761. ==陳== ### (22) Computerized Systems for Cataract Grading https://ieeexplore-ieee-org.autorpa.lib.ncnu.edu.tw/document/5304895 - H. Li et al., "Computerized Systems for Cataract Grading," 2009 2nd International Conference on Biomedical Engineering and Informatics, 2009, pp. 1-4, doi: 10.1109/BMEI.2009.5304895. ==陳== ### (23) Fundus image based cataract classification https://ieeexplore-ieee-org.autorpa.lib.ncnu.edu.tw/abstract/document/6958452?casa_token=Q04aJlYbRbkAAAAA:WM5z6cmLijhMtEq29hfE5lBC2bIGQhu4kMbC-cmWjCKYdv6E29urjx8mu-hUW9pwcDr_ZmBO4Q - J. Zheng, L. Guo, L. Peng, J. Li, J. Yang and Q. Liang, "Fundus image based cataract classification," 2014 IEEE International Conference on Imaging Systems and Techniques (IST) Proceedings, 2014, pp. 90-94, doi: 10.1109/IST.2014.6958452. ==陳== ### (24) Automatic Grading of Nuclear Cataracts from Slit-Lamp Lens Images Using Group Sparsity Regression https://link.springer.com/chapter/10.1007/978-3-642-40763-5_58#citeas - Xu Y. et al. (2013) Automatic Grading of Nuclear Cataracts from Slit-Lamp Lens Images Using Group Sparsity Regression. In: Mori K., Sakuma I., Sato Y., Barillot C., Navab N. (eds) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2013. MICCAI 2013. Lecture Notes in Computer Science, vol 8150. Springer, Berlin, Heidelberg. ==陳== ### (增1) Computer Aided System For Early Detection Of Nuclear Cataract Using Circle Hough Transform - [1] Jagadale, A. B., Sonavane, S. S., & Jadav, D. V. (2019, April). Computer Aided System For Early Detection Of Nuclear Cataract Using Circle Hough Transform. In 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI) (pp. 1009-1012). IEEE. ==王== ### (增2) Cataract Detection using Digital Image Processing - [2] Jindal, I., Gupta, P., & Goyal, A. (2019, October). Cataract Detection using Digital Image Processing. In 2019 Global Conference for Advancement in Technology (GCAT) (pp. 1-4). IEEE. ==王== ### (增3) Automated detection of eye diseases - [3] Bhadra, A. A., Jain, M., & Shidnal, S. (2016, March). Automated detection of eye diseases. In 2016 International Conference on Wireless Communications, Signal Processing and Networking (WiSPNET) (pp. 1341-1345). IEEE. ## Website - 白內障 https://kb.commonhealth.com.tw/library/103.html#data-7-collapse https://www.commonhealth.com.tw/article/82601 https://www.mohw.gov.tw/cp-3558-37641-1.html - 裂隙燈 https://wttsoul.com/slit-lamp/ http://cht.a-hospital.com/w/%E8%A3%82%E9%9A%99%E7%81%AF%E6%98%BE%E5%BE%AE%E9%95%9C - 衛生福利部「我國解決健康不平等、原鄉醫療資源之現況與展望」專題報告 https://www.mohw.gov.tw/dl-45845-85d149f8-05d0-411f-96e7-fc9f0ebad7ca.html ==陳== - 高雄元新眼科 https://www.besteye.com.tw/mobile/besteye_phone.php?no=14 - 諾貝爾醫療集團 - 重要內容:水晶體概述及白內障分類 http://www.nobelgroup.com.tw/pastense/page01_2.php?branchnum=BOOK06&sortid=8 - 烏日林新醫院 - 重要內容:白內障治療方法及預防 http://wlshosp.org.tw/%E8%A1%9B%E6%95%99%E5%9C%92%E5%9C%B0/%E7%9C%BC%E7%A7%91/%E7%99%BD%E5%85%A7%E9%9A%9C%E7%B0%A1%E4%BB%8B/ - 科學人雜誌-失去光明的水晶：淺談白內障 - 作者: 張孟媛 https://sa.ylib.com/MagArticle.aspx?id=2005 - 圖片: 黃榆儒 https://sa.ylib.com/saeasylearn/images/138-1_BMP.BMP - 台北大愛眼科 - https://www.dr-eye.com.tw/eye-conditions/cataract ==洪== - January 2020 [1] krishnabojha. 2020. Cataract_Detection-using-CNN. https://github.com/krishnabojha/Cataract_Detection-using-CNN(2021) - December 2020 [2] piygot5. 2020. Cataract-Detection-and-Classification. https://github.com/piygot5/Cataract-Detection-and-Classification - [1] Jagadale, A. B., Sonavane, S. S., & Jadav, D. V. (2019, April). Computer Aided System For Early Detection Of Nuclear Cataract Using Circle Hough Transform. In 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI) (pp. 1009-1012). IEEE. - [2] Jindal, I., Gupta, P., & Goyal, A. (2019, October). Cataract Detection using Digital Image Processing. In 2019 Global Conference for Advancement in Technology (GCAT) (pp. 1-4). IEEE. - [3] Bhadra, A. A., Jain, M., & Shidnal, S. (2016, March). Automated detection of eye diseases. In 2016 International Conference on Wireless Communications, Signal Processing and Networking (WiSPNET) (pp. 1341-1345). IEEE. - WHO 統計 - https://www.who.int/en/news-room/fact-sheets/detail/blindness-and-visual-impairment ==王== - Why choose Keras? [Online]. Available: https://keras.io/why_keras/ - krishnabojha/ Cataract_Detection-using-CNN [Online] Available: https://github.com/krishnabojha/Cataract_Detection-using-CNN - piygot5/Cataract-Detection-and-Classification [Online] Available: https://github.com/piygot5/Cataract-Detection-and-Classification ==賴== --- ### 中文整理 - 白內障 - 健康眼睛圖像的平均強度低於50，嚴重混濁並受白內障影響的圖像的平均值超過100 - [x] 白內障根據「蛋白質沉積面積」分為白內障、皮層白內障，後囊後白內障三類 - [x] 核白內障在晶狀體核上發展，通常是在老年人身上出現 - [x] 皮質性白內障圍繞在水晶體的皮質中發展 - 裂隙燈 - [x] 裂隙燈成像法是最為常用的，但昂貴且準確性較低。只能檢測和分級特定的白內障。 - 眼底 - [x] 眼底鏡用來產生紅色反射效果。一束光線從眼球的後方反射並穿過瞳孔，形成一條光通路，該光通路可根據阻礙該通路的因素檢測白內障 - [x] 眼科醫師可以透過檢查眼底相片的清晰程度來診斷白內障 - [x] 眼底圖像分類的目標是建立一個分類器來模擬眼底圖像，檢查(自動)白內障檢測和分級的過程 - 預處理 - 首先進行了圖像預處理，選擇一種深層CNN技術-AlexNet，學習眼底圖像的全面特徵表現。然後在每個CNN層中使用反捲積網路 - <**後面可用**>隱私保護：不同的眼底照相機獲得的實驗圖像有不同的大小，將所有眼底圖像的大小統一調整為256*256像素，使其適合CNN - [x] 消除不均勻的照明：由於局部的不均勻照明和眼睛反射，會影響眼底圖像的品質，可能會影響白內障的檢測和分級的準確性 - 深度卷積神經網路是一種人工神經網路，用來從輸入圖像中自動學習特徵 - [x] 選擇經典深層CNN技術（AlexNet）的擴展，在實驗中從視網膜眼底圖像中提取特徵 - [x] 發現CNN傾向於捕捉描述眼底圖像整體結構的全局特徵集，例如形狀、紋理、邊緣和位置 - 全部三種圖像中，角膜內的表面顏色都不相同。對比白內障圖像與正常圖像，角膜的表面是發白的 - [x] 白內障圖像對比正常圖像，角膜圖像的表面顏色較亮 - [x] 環境條件(如光反射)會影響圖像的品質，影響分類的效率 - [x] 預處理從裁剪和調整圖像大小，執行灰度和中值過濾的過程開始 - [x] 分割過程使用了幾種方法，Canny邊緣檢測、霍夫轉換和瞳孔區域裁剪 - [x] 使用灰色長條圖的特徵提取階段，以平均強度和均勻性獲得特徵。從提取結果訓練數據使用單層感知機方法，用於確定幾種分類結果，例如:正常眼睛、未成熟白內障眼和成熟白內障 - 對數據集圖像做預處理 EX.Cropping、mage generating method - 機器學習 - [x] 為了結合不同層次的特徵表現，設計了一個新的混合全局-局部特徵表現模型，透過模型，DCNN中的DL技術成為集成學習的基本分類器 - [x] 模型訓練的準確性取決於幾個因素，例如訓練集的大小和質量、嚴謹性及選擇的參數 - [x] 不同於現有「使用單一學習模型進行白內障檢測和分級的眼底圖像分類」研究，本文提出了一種集成學習方法，將多個相異模型結合，更準確地預測及分類白內障 - [x] 卷積網絡這樣的深度學習演算法，顯然成為了分析和研究醫學圖像的方法 - [x] 深度學習演算法的用途和好處在於圖像分類、分割、物件偵測及定位等 - [x] 機器學習在醫療上的應用 - 將提出的方法與SVM和單純貝式分類器進行比較，結果顯示基於KNN的方法的性能表現較為出色 - 使用KNN分類會影響結果的一些參數，即要使用之相關特徵和K-NN的k值 - [x] 為了對水晶體中白內障的不同區域進行分類，我們使用卷積神經網絡的監督式學習訓練:透過裂隙燈拍攝的水晶體上的420張白內障圖像 - 在SqueezeNet上訓練新的神經網路，SqueezeNet是一種預先訓練的模型，已經在ImageNet中對圖像進行分類時實現了高準確度 - [x] SqueezeNet是卷積神經網絡（CNN）的一種，它在對ImageNet的圖像進行分類時達到與AlexNet相同的精度，但所需參數比AlexNet少50倍。它可以壓縮到比AlexNet小510倍。這為訓練模型提供了更快，更準確的結果 - SqueezeNet與其他CNN模型的不同之處在於，有一個構建模塊稱為火災模塊 - 為何做這個 - [x] 現今可以用於檢測白內障的設備是基於眼底照相機或數位單鏡反射照相機，兩者都很昂貴 - 健康監測網站平台結合適當的圖像模組後，將幫助偏遠地區的醫生檢查患者並做出最終決定，從而做出更可靠的診斷 - [x] 2014年更新的《關於白內障的世界衛生報告》聲稱全世界估計有2.8 億視力障礙者，其中3900萬人是盲人，246人視力低下 - [x] 依照目前的情況，由於人口老齡化和中低收入國家所需醫療基礎設施的短缺，導致失明的白內障病例很可能會增加 - [x] 1989年核磁共振顯微鏡成像法被用於檢測初期階段的白內障，但該方法受到分辨率問題的限制 - [x] 常見的白內障診斷方法需要裂隙燈或其他白內障分級系統，對許多患者來說複雜且昂貴 - [x] 降低成本並簡化早期診斷過程，對低度發展地區的患者來說非常關鍵，並且為他們帶來光明 - [x] 這個系統可以用於所有人的白內障檢查。如果檢測到白內障，可以在變嚴重前，立即向眼科醫生尋求進一步檢查並治療。這個系統與先前研究之間的區別在於:使用了更多的訓練數據，且數據直接來自擁有智慧型手機的患者 - [x] 該實驗使白內障分類更加輕鬆、眼科醫生可以在更短的時間內對不同類別的白內障進行手術，以治愈白內障患者。對於在偏遠地區的人來說，即使是經驗較少的醫生，也可以使用照相機，並利用程式正確地對白內障進行分類 - [x] 因此具有高效的算法的系統，具有便攜性、可讓偏遠地區人員用最少的時間在智慧型手機中檢測 ### (1) Cataract Detection using Digital Image Processing #### Oct 18-20, 2019 #### Ishitaa Jindal... ==賴== - 健康眼睛圖像的平均強度低於50，嚴重混濁並受白內障影響的圖像的平均值超過100 ### (1-2) Analysis and Study of Cataract Detection Techniques ### 2016 #### Darshana Patil... ==賴== - 白內障根據「蛋白質沉積面積」分為白內障、皮層白內障，後囊後白內障三類 - 核白內障在晶狀體核上發展，通常是在老年人身上出現 - 皮質性白內障圍繞在水晶體的皮質中發展 - 眼底鏡用來產生紅色反射效果。一束光線從眼球的後方反射並穿過瞳孔，形成一條光通路，該光通路可根據阻礙該通路的因素檢測白內障 - 裂隙燈成像法是最為常用的，但昂貴且準確性較低。只能檢測和分級特定的白內障。另外研究了基於眼底圖像的白內障系統，效率高但不便於攜帶且浪費時間。因此具有高效的算法的系統，具有便攜性、可讓偏遠地區人員用最少的時間在智慧型手機中檢測 ### (2) Automatic Cataract Detection of Optical Image using Histogram of Gradient #### June-2018 #### Reddy Pavan... - Reddy Pavan , Dr. A. Deepak, 2018, Automatic Cataract Detection of Optical Image using Histogram of Gradient, INTERNATIONAL JOURNAL OF ENGINEERING RESEARCH & TECHNOLOGY (IJERT) Volume 07, Issue 06 (June 2018), ==鍾== ### (3) A Robust Automated Cataract Detection Algorithm Using Diagnostic Opinion Based Parameter Thresholding for Telemedicine Application #### Published: 15 September 2016 #### Shashwat Pathak... ==王== - 現今可以用於檢測白內障的設備是基於眼底照相機或數位單鏡反射照相機，兩者都很昂貴 - 健康監測網站平台結合適當的圖像模組後，將幫助偏遠地區的醫生檢查患者並做出最終決定，從而做出更可靠的診斷 - 2014年更新的《關於白內障的世界衛生報告》聲稱全世界估計有2.8 億視力障礙者，其中3900萬人是盲人，246人視力低下 - 依照目前的情況，由於人口老齡化和中低收入國家所需醫療基礎設施的短缺，導致失明的白內障病例很可能會增加 ### (3)-10 Automated Classification of Normal, Cataract and Post Cataract Optical Eye Images using SVM Classifier #### 23-25 October, 2013 #### Jagadish Nayak ==王== - 1989年核磁共振顯微鏡成像法被用於檢測初期階段的白內障，但該方法受到分辨率問題的限制 - 全部三種圖像中，角膜內的表面顏色都不相同。對比白內障圖像與正常圖像，角膜的表面是發白的 - 白內障圖像對比正常圖像，角膜圖像的表面顏色較亮 - 環境條件(如光反射)會影響圖像的品質，影響分類的效率 - 模型訓練的準確性取決於幾個因素，例如訓練集的大小和質量、嚴謹性及選擇的參數 ### (4) Exploiting ensemble learning for automatic cataract detection and grading #### February 2016 #### Ji-Jiang Yang... ==陳== - 降低成本並簡化早期診斷過程，對低度發展地區的患者來說非常關鍵，並且為他們帶來光明 - 不同於現有「使用單一學習模型進行白內障檢測和分級的眼底圖像分類」研究，本文提出了一種集成學習方法，將多個相異模型結合，更準確地預測及分類白內障 - 採用疊加和多數投票的方法將多個基本分類器組合，來改善眼底圖像分 ### (5) Mobile Application Based Cataract Detection System #### 23-25 April 2019 #### Vaibhav Agarwal... - V. Agarwal, V. Gupta, V. M. Vashisht, K. Sharma and N. Sharma, "Mobile Application Based Cataract Detection System," 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI), 2019, pp. 780-787, doi: 10.1109/ICOEI.2019.8862774. ==陳== - 將提出的方法與SVM和單純背式分類器進行比較，結果顯示基於KNN的方法的性能表現較為出色 ### (6) Cataract Detection Using Single Layer Perceptron Based on Smartphone https://ieeexplore-ieee-org.autorpa.lib.ncnu.edu.tw/document/8982445 #### 29-30 Oct. 2019 #### Riyanto Sigit.. - Sigit, R., Triyana, E., & Rochmad, M. (2019). Cataract Detection Using Single Layer Perceptron Based on Smartphone. 2019 3rd International Conference on Informatics and Computational Sciences (ICICoS), 1-6. ==洪== - 預處理從裁剪和調整圖像大小，執行灰度和中值過濾的過程開始 - 分割過程使用了幾種方法，Canny邊緣檢測、霍夫轉換和瞳孔區域裁剪 - 使用灰色長條圖的特徵提取階段，以平均強度和均勻性獲得特徵。從提取結果訓練數據使用單層感知機方法，用於確定幾種分類結果，例如:正常眼睛、未成熟白內障眼和成熟白內障 - 這個系統可以用於所有人的白內障檢查。如果檢測到白內障，可以在變嚴重前，立即向眼科醫生尋求進一步檢查並治療。這個系統與先前研究之間的區別在於:使用了更多的訓練數據，且數據直接來自擁有智慧型手機的患者 - X 非本篇 ~~使用KNN分類會影響結果的一些參數，即要使用之相關特徵和K-NN的k值~~ ### (7) Machine Learning on Cataracts Classification Using SqueezeNet #### 21-24 Oct. 2018 #### Xingzhi Qian.. ==洪== - 為了對水晶體中白內障的不同區域進行分類，我們使用卷積神經網絡的監督式學習訓練:透過裂隙燈拍攝的水晶體上的420張白內障圖像 - 該實驗使白內障分類更加輕鬆、眼科醫生可以在更短的時間內對不同類別的白內障進行手術，以治愈白內障患者。對於在偏遠地區的人來說，即使是經驗較少的醫生，也可以使用照相機，並利用程式正確地對白內障進行分類 - 對數據集圖像做預處理 EX.Cropping、mage generating method - 在SqueezeNet上訓練新的神經網路，SqueezeNet是一種預先訓練的模型，已經在ImageNet中對圖像進行分類時實現了高準確度 - SqueezeNet是卷積神經網絡（CNN）的一種，它在對ImageNet的圖像進行分類時達到與AlexNet相同的精度，但所需參數比AlexNet少50倍。它可以壓縮到比AlexNet小510倍。這為訓練模型提供了更快，更準確的結果 - SqueezeNet與其他CNN模型的不同之處在於，有一個構建模塊稱為火災模塊 ### (8) A Hybrid Global-Local Representation CNN Model for Automatic Cataract Grading #### FEBRUARY 2020 #### Xi Xu.. - Xu X, Zhang L, Li J, Guan Y, Zhang L. A Hybrid Global-Local Representation CNN Model for Automatic Cataract Grading. IEEE Journal of Biomedical and Health Informatics. 2020 Feb;24(2):556-567. DOI: 10.1109/jbhi.2019.2914690. ==鍾== - 首先進行了圖像預處理，選擇一種深層CNN技術-AlexNet，學習眼底圖像的全面特徵表現。然後在每個CNN層中使用反捲積網路 - <**後面可用**>隱私保護：不同的眼底照相機獲得的實驗圖像有不同的大小，將所有眼底圖像的大小統一調整為256*256像素，使其適合CNN - 消除不均勻的照明：由於局部的不均勻照明和眼睛反射，會影響眼底圖像的品質，可能會影響白內障的檢測和分級的準確性 - 深度卷積神經網路是一種人工神經網路，用來從輸入圖像中自動學習特徵 - 選擇經典深層CNN技術（AlexNet）的擴展，在實驗中從視網膜眼底圖像中提取特徵 - 發現CNN傾向於捕捉描述眼底圖像整體結構的全局特徵集，例如形狀、紋理、邊緣和位置 - 為了結合不同層次的特徵表現，設計了一個新的混合全局-局部特徵表現模型，透過模型，DCNN中的DL技術成為集成學習的基本分類器 - 研究顯示，集成學習讓錯誤明顯小於任何單個分類器。在自動白內障分類任務中，透過多數表決方法結合了基於局部和全局特徵的CNN分類器，形成一個集成模型 ### (9) The lens opacities classification system III ==陳== - 常見的白內障診斷方法需要裂隙燈 ### (10) Cataract prevalence varies substantially with assessment systems: comparison of clinical and photographic grading in a population-based study ==陳== - 或其他白內障分級系統 ### (11) Cataract and surgery for cataract ==陳== - 眼科醫師可以透過檢查眼底相片的清晰程度來診斷白內障 ### (12) Retinal Imaging and Image Analysis ==陳== - 眼底圖像分類的目標是建立一個分類器來模擬眼底圖像，檢查(自動)白內障檢測和分級的過程 ### (13) A survey on deep learning in medical image analysis ==陳== - 卷積網絡這樣的深度學習演算法，顯然成為了分析和研究醫學圖像的方法 - 深度學習演算法的用途和好處在於圖像分類、分割、物件偵測及定位等 ### (14) Machine Learning for Medical Image Analysis ==陳== - 機器學習在醫療上的應用 ### (15) Investigating telemedicine developments in Taiwan: implications for telemedicine program management ==陳== - 調查了台灣遠程醫療的總體發展，分析了幾個關鍵計劃提供的服務，並確定了醫師和專家對遠程醫療服務的關注 ### (16) A Mobile Framework for Personalized Diabetes Telecare ==陳== - (可攜式)應用程式在智慧型手機上提供遠距醫療的不同服務的框架 ### (17) Enabling telecare assessment with pervasive sensing and Android OS smartphone ==陳== - (可攜式)應用程式在智慧型手機上提供遠距醫療的不同服務的框架 ### (18) Highlight Removal Based on Frequency-Domain Filtering ==陳== - 反光處理的文獻 ### (19) Detection and classification of lung abnormalities by use of convolutional neural network (CNN) and regions with CNN features (R-CNN) ==陳== - 使用CNN或R-CNN的CAD算法不一定需要圖像特徵提取器。因此，使用CNN的基於圖像的CADx和使用R-CNN的基於圖像的CADe都可用於放射科醫生對肺結節和瀰漫性肺部疾病等肺部異常的診斷。 - 將CNN用於肺部疾病或異常的診斷 ### (20) Performing high accuracy of the system for cataract detection using statistical texture analysis and K-Nearest Neighbor ==陳== - 待補