使用深度学习预测糖尿病视网膜病变的风险

用于糖尿病视网膜病变研究的光学相干断层扫描血管造影（OCTA）数据集

Optical Coherence Tomography Angiography-OCTA dataset for the study of Diabetic Retinopathy

Symbiosis Institute of Technology, Symbiosis International (Deemed University)（共生国际（ deemed 大学）共生技术学院）；University of Technology Sydney（悉尼科技大学）；Natasha Eye Care（娜塔莎眼科护理中心）

本文构建并公开了一个含268张OCTA视网膜图像、由两名眼科医生标注的数据集，以支持糖尿病视网膜病变早期自动诊断工具的研发。

2024-09-06cs.CVeess.IV

一种利用迁移学习和集成学习的改进型糖尿病视网膜病变检测模型

An Improved Model for Diabetic Retinopathy Detection by using Transfer Learning and Ensemble Learning

Rajshahi University of Engineering and Technology（拉杰沙希工程技术大学）；Jashore University of Science and Technology（杰索尔理工大学）

本文利用多种预训练模型的迁移学习及集成学习构建糖尿病视网膜病变检测模型，DenseNet121及DenseNet169与DenseNet201的集成均达到100%准确率。

2023-06-03cs.CVeess.IV

利用对抗学习改进糖尿病视网膜病变的病变分割

Improving Lesion Segmentation for Diabetic Retinopathy using Adversarial Learning

Carnegie Mellon University（卡内基梅隆大学）；INESC TEC

糖尿病视网膜病变（DR）是工作年龄成人失明的主要原因。在眼底图像中识别DR病变可能具有挑战性，而自动DR检测系统可以提供强大的临床价值。在公开可用的DR标记数据集中，印度糖尿病视网膜病变图像数据集（IDRiD）提供了四种不同病变的视网膜眼底图像和像素级注释：微动脉瘤，血管瘤，软渗出液和硬渗出液。我们利用HEDNet边缘检测器来解决该数据集上的语义分割任务，然后通过将HEDNet合并到条件生成对抗网络（cGAN）中，提出了一个端到端的DR病变像素级分割系统。我们设计了一个损失函数，将对抗损失添加到分割损失中。我们的实验表明，增加对抗性损失提高了基线上的病变分割性能。

2020-07-27cs.CVeess.IV

埃塞俄比亚糖尿病视网膜病变的诊断：基于深度学习的自动化之前

Diagnosis of Diabetic Retinopathy in Ethiopia: Before the Deep Learning based Automation

Artificial Intelligence Directorate（人工智能局）；Ethiopian Biotechnology Institute（埃塞俄比亚生物技术研究所）

将自动糖尿病视网膜病变（DR）诊断引入埃塞俄比亚仍然是一项具有挑战性的任务，尽管最近有报道称，经过训练的基于深度学习（DL）的DR分类器超过了手动分级器。这主要是因为在基于DL的分类器中使用的传统视网膜成像设备的昂贵成本。本文将讨论目前提供基于移动设备的DR二进制分类的方法，以及实现更便宜和离线DR多类分类的方法。

2020-04-29cs.CVcs.LGeess.IV

基于卷积神经网络的糖尿病视网膜病变诊断

Diabetic Retinopathy Diagnosis based on Convolutional Neural Network

Faculty of Computer Science and Information Technology, University of Al-Qadisiyah（阿尔卡迪西亚大学计算机科学与信息技术学院）

糖尿病视网膜病变（DR）是一种常见的疾病，很多人由于年龄或糖尿病，因此，它可以导致失明。因此，对本病的诊断，尤其是早期诊断，可以防止其对许多患者的影响。为了达到这个诊断，眼睛视网膜必须连续检查。因此，计算机辅助工具可以用于基于计算机视觉技术的领域。已经使用各种机器学习技术执行了不同的工作。卷积神经网络是一种很有前途的方法，本文将其应用于糖尿病视网膜病变的检测。此外，所提出的工作包含在预处理阶段的视觉增强，然后训练的CNN模型能够识别和分类阶段，诊断健康和不健康的视网膜图像。在实际测试中使用了三个公共数据集DiaretDB 0、DiaretDB 1和DrimDB。本文基于Matlab-R2019 a、深度学习工具箱和深度网络设计器设计卷积神经网络的架构并对其进行训练，对结果进行不同指标的评估，准确性是其中之一。达到的最佳准确度：DiaretDB 0为100%，DiaretDB 1为99.495%，DrimDB为97.55%。

2020-08-01cs.CVeess.IV

使用血管分割图作为诱导偏差的糖尿病视网膜病变自动分析

Automated analysis of diabetic retinopathy using vessel segmentation maps as inductive bias

Technical University of Munich（慕尼黑工业大学）；Imperial College London（伦敦帝国理工学院）；Helmholtz Zentrum Muenchen（慕尼黑亥姆霍兹中心）

最近的研究表明，早期阶段的糖尿病视网膜病变（DR）可以通过监测血管的变化，在深血管复杂的诊断。在这项工作中，我们研究了一种新的方法，自动DR分级的基础上，光学相干断层扫描血管造影（OCTA）图像。我们的工作将OCTA扫描与其血管分割相结合，然后将其作为任务特定网络的输入，用于病变分割，图像质量评估和DR分级。为此，我们生成合成OCTA图像来训练可以直接应用于真实OCTA数据的分割网络。我们在MICCAI 2022的DR分析挑战赛（DR）上测试了我们的方法。在我们的实验中，所提出的方法表现得与基线模型一样好。

2022-12-21cs.CVeess.IV

Deep-OCTA：用于糖尿病视网膜病变OCTA图像分析的嵌入式深度学习方法

Deep-OCTA: Ensemble Deep Learning Approaches for Diabetic Retinopathy Analysis on OCTA Images

Fudan University（复旦大学）；Shanghai General Hospital, School of Medicine, Shanghai Jiao Tong University（上海交通大学医学院附属上海市第一人民医院）

超广角光学相干断层扫描血管造影（OCTA）已成为糖尿病视网膜病变（DR）诊断的重要影像学手段。然而，很少有研究集中在自动DR分析使用超宽OCTA。在本文中，我们提出了基于超宽OCTA的新颖实用的深度学习解决方案，用于糖尿病视网膜病变分析挑战赛（Diabetic Retinopathy Analysis Challenge，简称OCTA）。在DR病变的分割任务中，我们利用UNet和UNet++分割三个病变，具有强大的数据增强和模型集成。在图像质量评估任务中，我们创建了InceptionV 3、SE-ResNeXt和Vision Transformer模型的集合。在大数据集上进行预训练，并采用混合MixUp和CutMix策略来提高模型的泛化能力。在DR分级任务中，我们构建了一个Vision Transformer（ViT），并发现在彩色眼底图像上预训练的ViT模型可以作为OCTA图像的有用基底。我们提出的方法分别在三个排行榜上排名第4、第3和第5。源代码将在https://github.com/FDU-VTS/DRAC上提供。

2022-10-02cs.CVeess.IV

基于病变的对比学习在糖尿病视网膜病变眼底图像分级中的应用

Lesion-based Contrastive Learning for Diabetic Retinopathy Grading from Fundus Images

Sun Yat-sen University（中山大学）；Southern University of Science and Technology（南方科技大学）

手动注释医学图像是非常昂贵的，特别是对于大规模的数据集。自监督对比学习已经被探索用于从未标记的图像中学习特征表示。然而，与自然图像不同，对比学习在医学图像中的应用相对有限。在这项工作中，我们提出了一个自我监督的框架，即基于病变的对比学习自动糖尿病视网膜病变（DR）分级。代替将整个图像作为常见对比学习方案中的输入，采用病变块来鼓励特征提取器学习对于DR分级具有高度区分性的表示。我们还研究了不同的数据增强操作，在定义我们的对比预测任务。在公开访问的数据集EyePACS上进行了大量的实验，证明我们提出的框架在线性评估和传输容量评估方面对DR分级表现出色。

2021-07-17cs.CVeess.IV

使用分类器集成通过眼底图像检测糖尿病视网膜病变严重程度

Detecting diabetic retinopathy severity through fundus images using an ensemble of classifiers

Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）；“Iuliu Hatieganu” University of Medicine and Pharmacy（“尤利乌·哈采加努”医药大学）；Emergency County Hospital（急诊县医院）

提出一种通过眼底图像检测糖尿病视网膜病变严重程度的方法，采用数据预处理、图像分割与特征提取，并应用分类器集成评估系统可信度。

2023-07-31cs.CVcs.LGeess.IV

深度学习眼底图像分析用于糖尿病视网膜病变和黄斑水肿分级

Deep Learning Fundus Image Analysis for Diabetic Retinopathy and Macular Edema Grading

Aalto University School of Science（阿尔托大学理学院）；Digifundus Ltd.（Digifundus有限公司）；Central Finland Central Hospital（中芬兰中心医院）

糖尿病是一种全球流行的疾病，其可以引起可见的微血管并发症，例如糖尿病视网膜病变和人眼视网膜中的黄斑水肿，其图像目前用于手动疾病筛查。这项劳动密集型任务可以从使用深度学习技术的自动检测中受益匪浅。在这里，我们提出了一个深度学习系统，它可以比以前的研究更好地识别可诊断的糖尿病视网膜病变，尽管我们在训练中只使用了一小部分图像（<1/4），但得到了更高图像分辨率的帮助。我们还为糖尿病视网膜病变和黄斑水肿分类的五种不同筛查和临床分级系统提供了新的结果，包括根据临床五级糖尿病视网膜病变和四级糖尿病黄斑水肿量表准确分类图像的结果。这些结果表明，深度学习系统可以提高筛查的成本效益，同时获得比推荐性能更高的性能，并且该系统可以应用于需要更精细分级的临床检查。

2019-04-16cs.CVcs.LGeess.IV

糖尿病视网膜病变的自动检测和诊断：一项综合调查

Automated Detection and Diagnosis of Diabetic Retinopathy: A Comprehensive Survey

University of Waterloo（滑铁卢大学）；University of Engineering and Management（工程与管理大学）；Medical Research Foundation（医学研究基金会）

糖尿病视网膜病变（DR）是世界上视力丧失的主要原因。糖尿病视网膜病变（DiabeticRetinopathy，DR）是世界范围内视力下降的主要原因。在过去的几年中，基于人工智能（AI）的方法已被用于检测和分级DR。早期检测能够进行适当的治疗，从而防止视力丧失。眼底和光学相干断层扫描（OCT）图像都用于对视网膜进行成像。使用深度学习/机器学习方法，可以从图像中提取特征并检测DR的存在。使用分类、分割和混合技术实施多种策略来检测DR的存在并对其进行分级。本综述涵盖了五年（2016-2021年）内在公开文献中发表的关于DR人工智能方法的文献。此外，还报告了可用DR数据集的全面列表。采用PICO（P-患者、I-干预、C-对照和O-结局）和系统性综述和荟萃分析（PRISMA）2009检索策略的首选报告项目。我们总结了共114篇符合审查范围的已发表文章。此外，还列出了43个主要数据集。

2021-06-30cs.CVeess.IV

通过眼底摄影对糖尿病视网膜病变进行分类：利用深度学习方法加快疾病检测

Classification of Diabetic Retinopathy via Fundus Photography: Utilization of Deep Learning Approaches to Speed up Disease Detection

Columbia University（哥伦比亚大学）

在本文中，我们针对糖尿病视网膜病变（DR）分类问题提出了两种不同的解决方案。在第一种方法中，我们引入了一个浅层神经网络架构。该模型对最频繁的类分类效果很好，而对不太频繁的类分类失败。在第二种方法中，我们使用迁移学习来重新训练非常深的神经网络的最后一个修改层，以提高模型对频率较低的类的泛化能力。我们的研究结果表明，优越的能力，迁移学习在DR分类的不太频繁的类相比，浅神经网络。

2020-07-18cs.CVcs.LGeess.IV

CANet：糖尿病视网膜病变和糖尿病黄斑水肿分级的跨疾病关注网络

CANet: Cross-disease Attention Network for Joint Diabetic Retinopathy and Diabetic Macular Edema Grading

The Chinese University of Hong Kong（香港中文大学）

糖尿病视网膜病变（DR）和糖尿病黄斑水肿（DME）是工作年龄人群中永久失明的主要原因。DR和DME的自动分级有助于眼科医生为患者设计量身定制的治疗方案，因此在临床实践中至关重要。然而，现有的工作要么对DR或DME进行分级，而忽略了DR与其并发症之间的相关性，即，DME。此外，位置信息，例如，黄斑和软硬排气注释被广泛用作分级的先验。这样的注释是昂贵的获得，因此，它是可取的，以开发自动分级方法，只有图像级的监督。在本文中，我们提出了一种新的跨疾病的注意力网络（CANet），以联合分级DR和DME探索疾病之间的内在联系，只有图像级的监督。我们的主要贡献包括疾病特异性注意力模块，以选择性地学习个别疾病的有用特征，以及疾病依赖性注意力模块，以进一步捕捉两种疾病之间的内在关系。我们将这两个注意力模块集成在一个深度网络中，以产生疾病特异性和疾病相关性特征，并最大限度地提高DR和DME分级的整体性能。我们在两个公共基准数据集上评估我们的网络，即，ISBI 2018 IDRiD挑战数据集和Messidor数据集。我们的方法在ISBI 2018 IDRiD挑战数据集上取得了最佳结果，并在Messidor数据集上优于其他方法。我们的代码可在https://github.com/xmengli999/CANet上公开获取。

2019-11-04cs.CVeess.IV

糖尿病视网膜病变诊断的联邦学习：提升资源匮乏地区的准确性与泛化能力

Federated Learning for Diabetic Retinopathy Diagnosis: Enhancing Accuracy and Generalizability in Under-Resourced Regions

High Technology High School（高新技术高中）；Massachusetts Eye and Ear Harvard Medical School（马萨诸塞眼耳医院哈佛医学院）；Harvard Medical School（哈佛医学院）；Harvard Ophthalmology AI Lab（哈佛眼科人工智能实验室）

本文提出基于EfficientNetB0的联邦学习系统，利用多机构眼底数据提升资源匮乏地区糖尿病视网膜病变诊断的准确性与泛化能力，同时保护隐私，在未见数据上准确率达93.21%。

2024-10-30cs.CVcs.LGeess.IV

结合细粒度和粗粒度分类器用于糖尿病视网膜病变检测

Combining Fine- and Coarse-Grained Classifiers for Diabetic Retinopathy Detection

Technische Universität Kaiserslautern（凯泽斯劳滕工业大学）；German Research Center for Artificial Intelligence GmbH (DFKI)（德国人工智能研究中心（DFKI））；Osaka Prefecture University（大阪府立大学）；National University of Science and Technology (NUST)（国立科技大学（NUST））；Opthalmology Clinic（眼科诊所）

早期糖尿病视网膜病变眼底图像中的视觉伪影通常体积较小，不明显，分散在视网膜各处。检测糖尿病视网膜病变需要医生查看整个图像并关注某些特定区域以定位疾病的潜在生物标志物。因此，从眼科医生的启发，我们建议结合粗粒度分类器，从整个图像中检测区别特征，与最近品种的细粒度分类器，发现并特别注意病理显著区域。为了评估这个提议的集成的性能，我们使用了公开可用的EyePACS和Messidor数据集。针对二进制、三进制和四进制分类的广泛实验表明，这种集成在很大程度上优于单个图像分类器，以及大多数糖尿病视网膜病变检测训练设置中的大多数已发表作品。此外，细粒度的分类器的性能被发现明显优于粗粒度的图像分类器，鼓励开发面向任务的细粒度的分类器建模专家眼科医生。

2020-05-28cs.CVcs.LGeess.IV

双分支深度学习网络用于糖尿病视网膜病变的检测与分期

Dual Branch Deep Learning Network for Detection and Stage Grading of Diabetic Retinopathy

Bu-Ali Sina University（布阿里西纳大学）

本文提出一种基于双分支预训练模型迁移学习的深度网络，利用单张眼底图像进行糖尿病视网膜病变检测与分期，在APTOS 2019数据集上取得优异性能，可作为可靠的临床筛查工具。

2024-03-13cs.CVcs.LGeess.IV

DiaRet：一个基于浏览器的应用程序，用于对糖尿病视网膜病变进行分级，并提供综合治疗

DiaRet: A browser-based application for the grading of Diabetic Retinopathy with Integrated Gradients

Netaji Subhas Institute of Technology（内塔吉·苏巴斯技术学院）；Pandit Deendayal Energy University（潘迪特·迪恩达亚尔能源大学）；National Institute of Technology Delhi（德里国立理工学院）；AMC MET Medical College（AMC MET医学院）

患有长期糖尿病的患者经常成为糖尿病视网膜病变（DR）的牺牲品，导致人眼视网膜的变化，这在极端情况下可能导致视力丧失。本研究的目的有两个：（a）创建经过训练的深度学习模型，以对退化的视网膜眼底图像进行分级;（b）创建基于浏览器的应用程序，通过突出眼底图像的关键特征来帮助诊断程序。在这项研究工作中，我们已经模拟了图像失真的困扰，通过降低图像的光传输干扰，图像模糊和视网膜伪影的插入的多种不同的组合的基础上。InceptionV 3、ResNet-50和InceptionResNetV 2经过训练并用于根据视网膜眼底图像的严重程度对其进行分类，然后进一步用于创建基于浏览器的应用程序，该应用程序在输入图像上实现积分梯度（IG）归因掩模并演示模型做出的预测以及与每个类别相关的概率。

2021-08-13cs.CVeess.IV

基于迁移学习的糖尿病视网膜病变检测方法的系统评价

A systematic review of transfer learning based approaches for diabetic retinopathy detection

Baskent University（巴什肯特大学）；Jacobs University（雅各布大学）

糖尿病和相关的糖尿病视网膜病变（DR）病例在现代以惊人的速度增加。DR的早期检测是一个重要的问题，因为它可能在晚期导致永久性失明。在过去的二十年中，许多不同的方法已被应用于DR检测。回顾学术文献表明，深度神经网络（DNN）已成为DR检测的首选方法。在这些DNN方法中，卷积神经网络（CNN）模型是医学图像分类领域中最常用的模型。设计一个新的CNN架构是一个繁琐和耗时的方法。此外，训练大量参数也是一项艰巨的任务。由于这个原因，近年来，人们建议使用预训练模型作为迁移学习方法，而不是从头开始训练CNN。因此，本研究作为一项综述，重点关注基于DNN和迁移学习的DR检测应用，考虑2015年至2020年期间的38篇出版物。已发表的论文使用9张图和10张表进行了总结，提供了有关22个预训练的CNN模型，12个DR数据集和标准性能指标的信息。

2021-05-28cs.CVeess.IV

基于视网膜病变检测的眼底糖尿病视网膜病变深度学习分类模型

A deep learning model for classification of diabetic retinopathy in eye fundus images based on retinal lesion detection

Universidad Nacional de Colombia（哥伦比亚国立大学）；Fundación Oftalmológica Nacional（国家眼科基金会）；Universidad del Rosario（罗萨里奥大学）

糖尿病视网膜病变（DR）是糖尿病并发症影响视网膜的结果。如果不及时诊断和治疗，它会导致失明。眼科医生通过筛查每个患者并通过眼部成像分析视网膜病变来进行诊断。在实践中，这种分析既耗时又繁琐。提出了一种眼底DR图像自动分类模型。该方法识别与DR相关的主要眼部病变，并随后诊断疾病。所提出的方法遵循与临床医生相同的工作流程，提供可以在临床上解释以支持预测的信息。Kaggle EyePACS和Messidor-2数据集的一个子集，标记有眼部病变，是公开可用的。kaggle EyePACS子集用作训练集，Messidor-2用作病变和DR分类模型的测试集。对于DR诊断，我们的模型的曲线下面积、灵敏度和特异性分别为0.948、0.886和0.875，与最先进的方法竞争。

2021-10-14cs.CVeess.IV

基于神经元符号学习的糖尿病视网膜病变分类

Explainable and Interpretable Diabetic Retinopathy Classification Based on Neural-Symbolic Learning

Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Singapore Eye Research Institute（新加坡眼科研究所）；Duke-NUS Medical School（杜克-新加坡国立大学医学院）；Institute for Molecular and Clinical Ophthalmology（分子与临床眼科研究所）；National University of Singapore（新加坡国立大学）

在本文中，我们提出了一个可解释和可解释的糖尿病视网膜病变（ExplainDR）分类模型的神经符号学习的基础上。为了获得可解释性，在决策中应考虑高层次的符号表示。具体来说，我们引入了一个人类可读的符号表示，它遵循与眼睛健康状况相关的糖尿病视网膜病变特征的分类风格，以实现可解释性。然后，我们将从疾病预测中的符号表示获得的人类可读特征包括在内。在糖尿病视网膜病变分类数据集上的实验结果表明，与应用于IDRiD数据集的最先进方法相比，我们提出的ExplainDR方法具有良好的性能，同时还提供了可解释性和可解释性。

2022-04-01cs.AIcs.CVcs.LG

时间增强的可解释多模态预后和风险分层框架用于糖尿病视网膜病变（TIMM-ProRS）

Temporal-Enhanced Interpretable Multi-Modal Prognosis and Risk Stratification Framework for Diabetic Retinopathy (TIMM-ProRS)

Department of Robotics, Robo Tech Valley, Dhaka, Bangladesh（机器人系，罗布科技谷，达卡，孟加拉国）

TIMM-ProRS通过融合视网膜图像和时间生物标志物，实现糖尿病视网膜病变的多模态和时间动态分析，达到97.8%的准确率，优于现有方法。

2026-01-13cs.CVeess.IV

基于视网膜图像识别的糖尿病视网膜病变检测

Diabetic Retinopathy detection by retinal image recognizing

UNIÃO DE ENSINO DO SUDOESTE DO PARANÁ – UNISEP（巴拉那州西南部教育联盟（UNISEP））；FACULDADE EDUCACIONAL DE FRANCISCO BELTRÃO – FEFB（弗朗西斯科贝尔特朗教育学院（FEFB））

世界各地有许多人受到糖尿病的影响。这种疾病可能有1型和2型。糖尿病带来了几种并发症，包括糖尿病视网膜病变，这是一种如果不正确治疗会导致患者视力不可逆损伤的疾病。越早发现，患者不会失去视力的机会就越大。自动化手动程序的方法目前是显而易见的，视网膜病变的诊断过程是手动的，医生在监视器上分析患者的视网膜。图像识别的实践可以通过识别糖尿病视网膜病变模式并将其与诊断中患者的视网膜进行比较来帮助这种检测。这种方法还可以帮助远程医疗，其中无法访问检查的人可以从应用程序提供的诊断中受益。应用程序的开发是通过卷积神经网络进行的，卷积神经网络对每个图像像素进行数字图像处理分析。使用VGG-16作为应用基础的预训练模型非常有用，最终模型准确率为82%。

2020-01-14cs.CVcs.LGeess.IV

数字眼底图像血管分割、视盘定位、渗出液检测及糖尿病视网膜病变诊断

Segmentation of Blood Vessels, Optic Disc Localization, Detection of Exudates and Diabetic Retinopathy Diagnosis from Digital Fundus Images

Heritage Institute of Technology（遗产理工学院）；Tata Consultancy Services（塔塔咨询服务公司）

糖尿病视网膜病变（DR）是一种长期存在的、未经检查的糖尿病的并发症，也是世界上致盲的主要原因之一。本文重点介绍了改进和鲁棒的方法来提取DR的一些特征，即血管和渗出物。血管分割使用多个形态学和阈值操作。对于渗出液的分割，使用k均值聚类和轮廓检测的原始图像。执行广泛的降噪以从血管分割算法的结果中去除假阳性。利用k-均值聚类和模板匹配进行视盘定位。最后，本文提出了一种具有14个卷积层和2个全连接层的深度卷积神经网络（DCNN）模型，用于DR的自动二元诊断。血管分割，视盘定位和DCNN的准确率分别为95.93%，98.77%和75.73%。源代码和预训练模型可在https://github.com/Sohambasu07/DR_2021上获得

2022-07-09cs.CVeess.IV

RTNet：用于糖尿病视网膜病变多病变分割的关系Transformer网络

RTNet: Relation Transformer Network for Diabetic Retinopathy Multi-lesion Segmentation

Beijing Institute of Technology（北京理工大学）；Chongqing Innovation Center, Beijing Institute of Technology（北京理工大学重庆创新中心）

糖尿病视网膜病变的自动分割对于辅助眼科医生进行诊断具有重要意义。虽然许多研究已经进行了这项任务，大多数以前的工作过于关注网络的设计，而不是考虑病变的病理关联。通过对DR病变病因的初步探讨，我们发现某些病变与特定的血管关系密切，并呈现出相互关联的模式。出于观察的动机，我们提出了一个关系Transformer块（RTB），将注意力机制在两个主要层面：自我注意力Transformer利用病变特征之间的全局依赖关系，而交叉注意力Transformer允许病变和血管特征之间的相互作用，通过整合有价值的血管信息，以减轻由复杂的眼底结构引起的病变检测模糊。此外，为了首先捕获小的病变模式，我们提出了一个全局Transformer块（GTB），它保留了深层网络中的详细信息。通过对上述双分支块的整合，我们的网络同时分割了四种病变。IDRiD和DDR数据集上的综合实验很好地证明了我们的方法的优越性，与最先进的方法相比，它具有竞争力的性能。

2022-01-26cs.CVeess.IV

开发糖尿病视网膜病变分析框架以克服数据稀缺的技巧包

Bag of Tricks for Developing Diabetic Retinopathy Analysis Framework to Overcome Data Scarcity

VUNO Inc.（VUNO公司）

最近，利用超宽光学相干断层扫描血管造影术（UW-OCTA）进行糖尿病视网膜病变（DR）筛查已用于临床实践，以检测早期DR的迹象。然而，由于数据收集的困难和缺乏公共数据集，使用UW-OCTA图像开发基于深度学习的DR分析系统并非易事。由于现实的限制，在小数据集上训练的模型可能会获得低于标准的性能。因此，为了帮助眼科医生减少对模型错误决策的困惑，即使在数据稀缺的情况下，模型也应该是鲁棒的。为了解决上述实际挑战，我们提出了一个全面的实证研究DR分析任务，包括病变分割，图像质量评估，DR分级。对于每个任务，我们通过利用集成学习，数据增强和半监督学习引入了一个强大的训练方案。此外，我们提出了可靠的伪标签，排除不确定的伪标签的基础上模型的置信度得分，以减少噪声伪标签的负面影响。通过利用所提出的方法，我们在糖尿病视网膜病变分析挑战赛中获得了第一名。

2022-10-18cs.CVcs.LGeess.IV

糖尿病视网膜病变的早期检测和严重程度量表测量：进展性综述和范围

Early Detection of Diabetic Retinopathy and Severity Scale Measurement: A Progressive Review & Scopes

Aliah University（阿里亚赫大学）

糖尿病视网膜病变的早期检测可防止视力丧失和人眼失明。基于所使用的特征提取方法的类型，DR检测方法可以被广泛地分类为基于深度卷积神经网络（CNN）和基于传统特征提取（机器学习）。本文对现有的基于深度CNN和传统DR检测特征提取的特征提取方法进行了全面调查。除此之外，本文还重点介绍了DR检测的严重程度量表测量，据我们所知，这是第一篇涵盖严重程度分级量表的调查论文。还需要提及的是，这是第一项研究，该研究回顾了DR检测方法的现有技术中提出的基于深度CNN的方法。这项研究发现，最近提出的基于深度学习的DR检测方法比文献中现有的传统特征提取方法提供了更高的准确性，并且在大规模数据集中也很有用。然而，基于深度学习的方法需要GPU实现才能获得所需的输出。本文的另一个主要发现是没有明显的标准严重性量表检测标准来衡量分级。有些使用二进制类，而其他许多使用多级类。

2019-12-30cs.CVeess.IV

DRDr II：使用Mask RCNN和迁移学习检测糖尿病视网膜病变的严重程度

DRDr II: Detecting the Severity Level of Diabetic Retinopathy Using Mask RCNN and Transfer Learning

University of Georgia（佐治亚大学）；Florida International University（佛罗里达国际大学）

DRDr II是机器学习和深度学习的混合体。它建立在其前身的成功基础上，即DRDr，该模型经过训练，可以检测，定位和创建糖尿病视网膜病变（DR）患者眼中两种类型病变（渗出液和微动脉瘤）的分割掩模;并将整个模型用作其管道核心的固体特征提取器，以检测DR病例的严重程度。我们采用了一个大数据集，其中包含从全球各地收集的超过3.5万张眼底图像，经过两个阶段的预处理和特征提取，我们成功地预测了正确的严重程度，准确率超过92%。

2020-11-30cs.CVcs.LGeess.IV

DR-GAN：用于糖尿病视网膜病变图像细粒度病变合成的条件生成对抗网络

DR-GAN: Conditional Generative Adversarial Network for Fine-Grained Lesion Synthesis on Diabetic Retinopathy Images

Inception Institute of Artificial Intelligence（因赛普申人工智能研究院）；Beijing BeYes Technology Co. Ltd.（北京贝叶斯科技有限公司）

糖尿病视网膜病变（DR）是糖尿病的一种并发症，严重影响眼睛。根据国际协议，它可以分为五个严重程度。然而，优化分级模型以具有较强的泛化能力需要大量平衡的训练数据，这对于高严重性级别来说尤其难以收集。典型的数据增强方法，包括随机翻转和旋转，不能生成具有高多样性的数据。在本文中，我们提出了一个糖尿病视网膜病变生成对抗网络（DR-GAN）合成高分辨率眼底图像，可以与任意分级和病变信息进行操作。因此，大规模生成的数据可以用于更有意义的增强，以训练DR分级和病变分割模型。建议的视网膜发生器的条件上的结构和病变掩模，以及从潜在的分级空间，它可以被用来控制合成的分级严重性采样的自适应分级向量。此外，设计了多尺度空间和通道注意模块，以提高合成细节的生成能力。多尺度鉴别器被设计成从大到小的感受野操作，并且采用联合对抗损失以端到端的方式优化整个网络。通过在连接到Kaggle的EyePACS数据集以及FGADR数据集上进行广泛的实验评估，我们验证了我们的方法的有效性，该方法既可以合成高度逼真（1280 x 1280）的可控眼底图像，又有助于DR分级任务。

2020-11-11cs.CVeess.IV

增强糖尿病视网膜病变诊断：一种用于视网膜眼底图像中高效渗出物检测的轻量化CNN架构

Enhancing Diabetic Retinopathy Diagnosis: A Lightweight CNN Architecture for Efficient Exudate Detection in Retinal Fundus Images

Huddersfield University（哈德斯菲尔德大学）

本研究提出一种轻量化CNN架构用于视网膜眼底图像渗出物检测，结合领域数据增强与正则化技术，参数量较ResNet-18减少近60%，F1分数达90%，可高效准确地辅助糖尿病视网膜病变早期诊断。

2024-08-13cs.CVcs.LGeess.IV

具有不确定性的序数深度学习用于跨数据集糖尿病视网膜病变分级

Uncertainty-Aware Ordinal Deep Learning for cross-Dataset Diabetic Retinopathy Grading

Department of Computer Science & Engineering, Mississippi State University, MS, USA（计算机科学与工程系，密苏里州立大学）；Department of Mechanical Engineering, Mississippi State University, MS, USA（机械工程系，密苏里州立大学）；College of Engineering & Architecture, International University of Rabat（工程与建筑学院，拉巴特国际大学）

本文提出了一种具有不确定性的序数深度学习框架，用于跨数据集糖尿病视网膜病变分级，通过结合注意力池化和证据狄利克雷回归头，实现准确的严重程度预测和不确定性估计。

2026-02-10cs.CVeess.IV

基于GreenBen数据增强的糖尿病视网膜病变图像分类方法

Diabetic retinopathy image classification method based on GreenBen data augmentation

Beijing University of Chemical Technology（北京化工大学）

本文提出一种基于GreenBen数据增强的糖尿病视网膜病变（DR）图像分类方法，结合多任务学习和注意力模块构建DR与糖尿病黄斑水肿联合分类框架，在三个数据集上取得最佳结果，准确率提升10%。

2024-10-12cs.CVeess.IV

基于未标记数据和知识蒸馏的糖尿病视网膜病变分类

Classification of Diabetic Retinopathy Using Unlabeled Data and Knowledge Distillation

Isfahan University of Technology（伊斯法罕理工大学）；Seattle University（西雅图大学）；McMaster University（麦克马斯特大学）

知识蒸馏允许将知识从预先训练的模型转移到另一个模型。然而，它受到限制，与两个模型相关的约束需要在架构上相似。知识蒸馏通过将复杂的模型推广到更轻的模型来解决与迁移学习相关的一些缺点。然而，知识的某些部分可能没有被知识蒸馏充分地蒸馏。提出了一种基于迁移学习的知识提取方法。该方法将模型的全部知识转移到一个新的较小的模型中。为了实现这一点，以无监督的方式使用未标记的数据，将最大量的知识转移到新的精简模型中。所提出的方法可以是有益的医学图像分析，标记的数据通常是稀缺的。所提出的方法进行评估的背景下，分类的图像诊断糖尿病视网膜病变的两个公开可用的数据集，包括Messidor和EyePACS。仿真结果表明，该方法可以有效地将知识从复杂模型转移到较轻的模型。此外，实验结果表明，不同的小模型的性能显着提高使用未标记的数据和知识蒸馏。

2020-09-01cs.CVeess.IV

使用深度学习分割算法检测和分类糖尿病视网膜病变以促进转诊推荐用于检测和治疗预测

Detection and Classification of Diabetic Retinopathy using Deep Learning Algorithms for Segmentation to Facilitate Referral Recommendation for Test and Treatment Prediction

The National Institute of Engineering（国立工程学院）

本文提出利用迁移学习与CNN，结合U-Net架构分割视网膜结构，实现单张眼底照片的糖尿病视网膜病变自动检测，在APTOS 2019竞赛中取得0.92546的Kappa分数，显著提升了诊断能力。

2024-01-05cs.CVeess.IV

FEDI：基于Earth Mover距离算法的Few-Shot学习结合深度残差网络识别糖尿病视网膜病变

FEDI: Few-shot learning based on Earth Mover's Distance algorithm combined with deep residual network to identify diabetic retinopathy

糖尿病视网膜病变（diabetic retinopathy，DR）是糖尿病患者致盲的主要原因。但DR通过眼底的诊断，很容易延迟失明的发生。鉴于现实情况，在临床实践中很难收集大量的糖尿病视网膜数据。提出了一种基于Earth Mover距离算法的深度残差网络的Few-Shot学习模型，用于辅助诊断DR。基于39类1000个样本数据，构建了Few-Shot学习的训练和验证分类任务，对深度残差网络进行训练，得到经验最大化的预训练模型。基于预训练模型的权重，Earth Mover的距离算法计算图像之间的距离，获得图像之间的相似性，并改变模型的参数以提高训练模型的准确性。最后，通过实验构建了小样本分类任务的测试集，对模型进行进一步优化，最终在3way10shot任务的糖尿病视网膜测试集上获得了93.5667%的准确率。有关实验代码和结果，请参阅：https://github.com/panliangrui/few-shot-learning-funds。

2022-03-09cs.CVcs.LGeess.IV

基于超广角眼底成像的深度学习可转诊糖尿病视网膜病变和黄斑水肿检测

Deep Learning-Based Detection of Referable Diabetic Retinopathy and Macular Edema Using Ultra-Widefield Fundus Imaging

LaTIM UMR 1101, Inserm（LaTIM UMR 1101 法国国家健康与医学研究院）；Univ Bretagne Occidentale（西布列塔尼大学）；Evolucare Technologies（Evolucare科技公司）；IMT Atlantique（大西洋电信学院）

本文提出基于EfficientNet和ResNet的深度学习方案，在MICCAI 2024 UWF4DR挑战中实现超广角眼底图像的质量评估、可转诊糖尿病视网膜病变检测和黄斑水肿识别，提升临床检测效率与准确性。

2024-09-19cs.CVcs.LGeess.IV

用于糖尿病视网膜病变特征提取与分类的卷积神经网络模型

Convolutional Neural Network Model for Diabetic Retinopathy Feature Extraction and Classification

Merrill F. West High School（梅里尔·F·韦斯特高中）；UC Santa Cruz（加州大学圣克鲁兹分校）

本研究提出一种新颖的CNN模型，通过眼底图像分类四种糖尿病视网膜病变特征并评估严重程度，灵敏度97%、准确率71%，模型可解释且抗过拟合，推进了AI医疗诊断。

2023-10-16cs.CVcs.LGeess.IV

糖尿病视网膜病变诊断用UW-OCTA图像的分割、分类和质量评价

Segmentation, Classification, and Quality Assessment of UW-OCTA Images for the Diagnosis of Diabetic Retinopathy

LaTIM UMR 1101, Inserm（法国国家健康与医学研究院LaTIM UMR 1101实验室）；University of Western Brittany（西布列塔尼大学）；University of Electronic Science and Technology of China（电子科技大学）；IMT Atlantique（大西洋国立高等矿业电信学院）

糖尿病视网膜病变（DR）是糖尿病的一种严重并发症，可导致失明。虽然存在有效的治疗方法（特别是激光）来减缓疾病的进展并防止失明，但最好的治疗方法仍然是通过眼科医生定期检查（至少每年一次）进行预防。光学相干断层扫描血管造影术（OCTA）可以非常详细地观察视网膜血管和微血管水平的脉络膜。这使得医生能够更精确地诊断DR。近年来，随着深度学习的发展和计算机硬件的改进，DR诊断的算法已经出现。然而，这些通常集中在视网膜摄影。目前还没有可以使用超宽OCTA（UW-OCTA）自动分析DR的方法。糖尿病视网膜病变分析挑战赛2022（DRAC 22）提供了一个标准化的UW-OCTA数据集，用于训练和测试各种算法在三项任务上的有效性：病变分割、质量评估和DR分级。在本文中，我们将介绍我们的解决方案的三个任务的DRAC 22的挑战。所获得的结果是有希望的，使我们能够将自己定位在分割任务的TOP 5，质量评估任务的TOP 4和DR分级任务的TOP 3中。代码可在\url{https://github.com/Mostafa-EHD/Diabetic_Retinopathy_OCTA}上获得。

2022-11-21cs.CVcs.LGeess.IV

Sea-Net：挤压和激发注意力网用于糖尿病视网膜病变分级

Sea-Net: Squeeze-And-Excitation Attention Net For Diabetic Retinopathy Grading

Institute for Infocomm Research, Agency for Science, Technology and Research（新加坡科技研究局资讯通信研究院）；Institute of Systems Science, National University of Singapore（新加坡国立大学系统科学研究院）

糖尿病是个体中最常见的疾病之一。\textit{Diabetic retinopathy}（DR）是糖尿病的并发症，可导致失明。基于视网膜图像的自动DR分级为治疗计划提供了很大的诊断和预后价值。然而，严重性级别之间的细微差异使得难以使用传统方法捕获重要特征。为了缓解这些问题，提出了一种新的用于鲁棒DR分级的深度学习架构，称为SEA-Net，其中，空间注意力和通道注意力交替进行并相互增强，从而提高分类性能。此外，提出了一种混合损失函数，以进一步最大化类间距离和减少类内变异。实验结果表明了该架构的有效性。

2020-10-29cs.AIcs.CVeess.IV

基于神经网络的年龄和性别信息对糖尿病视网膜病变诊断的影响

The Influence of Age and Gender Information on the Diagnosis of Diabetic Retinopathy: Based on Neural Networks

本文提出了年龄和性别信息在糖尿病视网膜病变诊断中的重要性。我们利用了深度残差神经网络（ResNet）和密集连接卷积网络（DenseNet），这两个网络在图像分类问题和使用视网膜眼底图像诊断糖尿病视网膜病变方面被证明是有效的。我们使用了几个经典网络的集成，并分散了训练，使网络简单，避免了过拟合。为了观察年龄和性别信息是否有助于提高性能，我们在密集层之前添加了信息，并将结果与未添加年龄和性别信息的结果进行了比较。我们发现，具有年龄和性别信息的网络的测试准确率比没有年龄和性别信息的网络高2.67%。同时，与性别信息相比，年龄信息对结果的帮助更大。

2021-08-06eess.IV

基于Residual-CycleGAN的摄像机自适应用于糖尿病视网膜病变的稳健筛查

Residual-CycleGAN based Camera Adaptation for Robust Diabetic Retinopathy Screening

Baidu Inc（百度公司）

糖尿病视网膜病变（DR）眼底图像自动检测是目前研究的热点。然而，当将这些模型应用于真实世界的DR筛查时，观察到准确性下降，其中眼底相机品牌与用于捕获训练图像的相机品牌不同。我们如何训练一个分类模型，对一个品牌的眼底图像进行分类，同时对其他品牌的眼底图像也有很好的分类效果？在本文中，我们定量地验证眼底相机品牌相关的域偏移的DR分类模型的性能的影响，从实验的角度。此外，我们提出了面向相机的residual-CycleGAN，以减轻相机品牌的差异，通过域自适应，并实现目标相机图像上的分类性能的提高。在EyePACS数据集和私有数据集上进行的大量消融实验表明，相机品牌差异会显著影响分类性能，证明了该方法能有效提高目标域的模型性能.我们已经推断并标记了EyePACS数据集中每个图像的相机品牌，并将公布相机品牌标签，以进一步研究领域适应。

2020-07-31cs.CVeess.IV

使用改进的多尺度MF-FDOG滤波器检测糖尿病视网膜病变的血管

Blood Vessel Detection using Modified Multiscale MF-FDOG Filters for Diabetic Retinopathy

Institute of Technical Education & Research, S‘O’A (Deemed to be University)（S‘O’A（被视为大学）技术教育与研究学院）

糖尿病患者因视网膜病变（特征为视网膜内血管直径增加和新分支）导致的失明是一个严重的问题。为了在视网膜图像上使用各种图像处理技术来早期检测该疾病，已经做出了许多努力。然而，大多数的方法是困扰与血管像素的错误检测。鉴于此，在这里，我们提出了一种改进的匹配滤波器与高斯的一阶导数。该方法使用了顶帽变换和对比度限制直方图均衡化。此外，我们通过使用从高斯的一阶导数获得的二进制阈值分割修改的多尺度匹配滤波器响应。在公开可用的数据库（DRIVE数据库）上对该方法进行了评估。正如预期的那样，与文献相比，所提出的方法提供了更高的准确度。此外，已经观察到来自现有的匹配滤波器及其变型的较少的错误检测。

2019-10-26cs.CVcs.LGeess.IV

基于多细胞多任务卷积神经网络的糖尿病视网膜病变分级

Multi-Cell Multi-Task Convolutional Neural Networks for Diabetic Retinopathy Grading

ShanghaiTech University（上海科技大学）；Ningbo Institute of Materials Technology and Engineering（宁波材料技术与工程研究所）；Shanghai University（上海大学）

糖尿病视网膜病变（DiabeticRetinopathy，DR）是糖尿病患者中不可忽视的眼部疾病，对DR筛查的视网膜图像自动分析算法的需求很高。考虑到视网膜图像的分辨率非常高，其中小的病变组织只能用大分辨率图像来检测，并且需要大的局部感受野来识别那些晚期疾病，但是由于梯度消失/爆炸问题，直接训练具有非常深的结构和高分辨率图像的神经网络既时间计算昂贵又困难，我们提出了一种\textbf{Multi-Cell}结构，它逐渐增加深度神经网络的深度和输入图像的分辨率，这既增加了训练时间，又提高了分类精度。此外，考虑到DR的不同阶段实际上是逐渐进展的，这意味着不同阶段的标签是相关的。为了考虑不同阶段的图像之间的关系，我们提出了一种\textbf{Multi-Task}学习策略，该策略结合分类和回归来预测标签。在Kaggle数据集上的实验结果表明，该方法在测试集上的Kappa值为0.841，在所有最先进的方法中排名第4。此外，我们的多细胞多任务卷积神经网络（M $^2$ CNN）解决方案是一个通用框架，可以很容易地与许多其他深度神经网络架构集成。

2018-10-11cs.CVeess.IV

DRAC：基于超广角光学相干断层扫描血管成像图像的糖尿病视网膜病变分析挑战赛

DRAC: Diabetic Retinopathy Analysis Challenge with Ultra-Wide Optical Coherence Tomography Angiography Images

Shanghai Jiao Tong University（上海交通大学）；The Hong Kong University of Science and Technology（香港科技大学）；Shanghai Jiao Tong University Affiliated Sixth People’s Hospital（上海交通大学附属第六人民医院）；VUNO Inc.（VUNO公司）；Johannes Kepler University Linz（林茨约翰·开普勒大学）；Fudan University（复旦大学）；Inserm（法国国家健康与医学研究院）；University of Western Brittany（西布列塔尼大学）

本文介绍了MICCAI 2022的DRAC挑战赛，该赛事利用UW-OCTA图像进行糖尿病视网膜病变分析，涵盖病变分割、图像质量评估和DR分级三项任务，并总结了顶尖解决方案，表明数据增强、模型架构和网络集成能有效提升深度学习性能。

2023-04-05cs.CVcs.LGeess.IV

DenseNet121和ResNet50眼底图像对糖尿病视网膜病变严重程度的分级

Classification of Diabetic Retinopathy Severity in Fundus Images with DenseNet121 and ResNet50

Commack High School（康马克高中）；Camp Illumina（Illumina 训练营）；Glenda Dawson High School（格伦达·道森高中）；Mira Loma High School（米拉洛马高中）；Ward Melville High School（沃德·梅尔维尔高中）

在这项工作中，深度学习算法用于根据糖尿病视网膜病变的严重程度对眼底图像进行分类。测试了两种模型架构（密集卷积网络-121和残差神经网络-50）和三种图像类型（RGB、绿色和高对比度）的六种不同组合，以找到性能最高的组合。我们实现了0.17的平均验证损失和85%的最大验证准确率。通过测试多种组合，某些参数组合的表现优于其他组合，但总体上发现方差最小。绿色过滤被证明是执行最差的，而放大的对比度相比，RGB分析似乎有一个可以忽略不计的影响。ResNet 50被证明是一个不太强大的模型，而不是DenseNet 121。

2021-08-19cs.CVcs.LGeess.IV

提高YOLOv8n高精度与轻量化的糖尿病视网膜病变检测研究

Research on Improving the High Precision and Lightweight Diabetic Retinopathy Detection of YOLOv8n

Qufu Normal University（曲阜师范大学）

本文提出基于改进YOLOv8n的轻量化高精度糖尿病视网膜病变检测模型YOLO-KFG，通过动态卷积、特征聚焦扩散金字塔和轻量化共享检测头，在降低20.7%参数量的同时提升检测精度与召回率。

2025-07-01cs.CVeess.IV

一种用于有效基于深度学习的糖尿病视网膜病变分类与分级的新型预处理单元

A Novel Preprocessing Unit for Effective Deep Learning based Classification and Grading of Diabetic Retinopathy

Usha Mittal Institute of Technology（乌莎·米塔尔理工学院）

本文提出含AVDS滤波、改进Mask RCNN分割及SSA-VGG-16分类的DR与DME早期检测分级框架，并在IDRiD和MESSIDOR数据集上验证其有效性。

2025-09-29cs.CVeess.IV

基于迁移学习的糖尿病视网膜病变分级系统

Diabetic Retinopathy Grading System Based on Transfer Learning

Mansoura University（曼苏拉大学）

研究人员正在努力自动准确地检测和诊断糖尿病视网膜病变（DR）。这种疾病是非常危险的，因为如果不进行持续的筛查，它可能会突然导致失明。因此，许多计算机辅助诊断（CAD）系统已被开发，以诊断各种DR等级。近年来，许多基于深度学习（DL）方法的CAD系统已被采用，以获得诊断DR疾病病理异常的深度学习优点。在本文中，我们提出了一个完全基于DL的CAD系统依赖于多标签分类。在建议的DL CAD系统中，我们提出了一个定制的efficientNet模型，以诊断早期和晚期的DR疾病。学习迁移在训练小数据集时非常有用。我们使用IDRiD数据集。它是一个多标签数据集。实验表明，该系统是强大的，可靠的，并设计有前途的结果在检测和分级DR。该系统实现的准确性（ACC）等于86%，和Dice相似系数（DSC）等于78.45。

2020-12-23cs.CVcs.LGeess.IV

计算机辅助诊断系统在糖尿病视网膜病变筛查中的应用

A comprehensive survey on computer-aided diagnostic systems in diabetic retinopathy screening

University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）；Indiana University-Purdue University（印第安纳大学-普渡大学）

糖尿病（DM）可导致显著的微血管破坏，最终导致糖尿病视网膜病变（DR）或糖尿病引起的眼部并发症。如果不加以控制，这种疾病会随着时间的推移而增加，最终导致视力完全丧失。检测这种光学发展的一般方法是通过检查来自视网膜图像的血管、视神经乳头、微动脉瘤、出血、渗出物等。最终，这受到经验丰富的眼科医生数量和糖尿病病例数量的极大增长的限制。为了实现早期和有效的DR诊断，眼科领域需要强大的计算机辅助诊断（CAD）系统。我们的评论是为任何人，从学生到建立研究人员，谁想要了解什么可以完成与CAD系统和他们的算法建模和视网膜图像处理领域的计算机视觉和模式识别的领导。对于刚刚起步的人，我们特别强调不同数据库和算法框架的逻辑，优势和缺点，重点是最近的方法。

2022-08-03cs.CVeess.IVphysics.med-ph

可解释的糖尿病视网膜病变检测和视网膜图像生成

Explainable Diabetic Retinopathy Detection and Retinal Image Generation

Beihang University（北京航空航天大学）；Peng Cheng Laboratory（鹏城实验室）；RIKEN AIP（理化学研究所人工智能研究中心）；University of Tokyo（东京大学）；Ningbo Institute of Industrial Technology, CAS（中国科学院宁波工业技术研究院）

尽管深度学习在对某些疾病的标签和严重程度进行分类方面表现出了成功的性能，但大多数深度学习都没有对如何进行预测做出解释。受科赫假设的启发，循证医学（EBM）的基础来识别病原体，我们建议利用深度学习应用在医学诊断中的可解释性。通过确定和隔离糖尿病视网膜病变（DR）检测器依赖于做出决定的神经元激活模式，我们证明了孤立的神经元激活和病变之间的直接关系，用于病理解释。具体来说，我们首先定义新的病理描述符使用激活的神经元的DR检测器编码病变的空间和外观信息。然后，为了可视化描述符中编码的症状，我们提出了Patho-GAN，这是一种新的网络，可以合成医学上合理的视网膜图像。通过操纵这些描述符，我们甚至可以任意控制生成的病变的位置、数量和类别。我们还表明，我们的合成图像携带的症状直接相关的糖尿病视网膜病变的诊断。我们生成的图像在质量和数量上都优于以前的方法。此外，与需要数小时才能生成图像的现有方法相比，我们的二级速度赋予了成为数据增强的有效解决方案的潜力。

2021-07-01cs.CVcs.LGeess.IV

多通道特征融合与蒙特卡洛弃权（不执行）用于不确定性感知糖尿病视网膜病变分级

Multi-Channel Feature Fusion and Monte Carlo Dropout for Uncertainty-Aware Diabetic Retinopathy Grading

Indian Institute of Technology Patna（印度理工学院巴特那分校）

该研究针对医疗级糖尿病视网膜病变分级需求，提出含多模块的统一流程，在APTOS-2019测试集上取得高QWK，实现分级质量、自动化与患者安全的实用权衡。

2026-08-18cs.CVeess.IVeess.SP

跨模态语义增强的扩散框架用于糖尿病视网膜病变分级

Cross-Modal Semantic-Enhanced Diffusion Framework for Diabetic Retinopathy Grading

School of Software Engineering Beijing Jiaotong University（软件工程学院 北京交通大学）

本文提出CLIP引导语义扩散框架，通过整合视觉-语言预训练与扩散概率建模，解决糖尿病视网膜病变分级中的细粒度病变模式区分、分布差异和临床语义知识利用问题。

2026-05-10cs.CVeess.IV

BiRA-Net：用于糖尿病视网膜病变分级的双线性注意力网络

BiRA-Net: Bilinear Attention Net for Diabetic Retinopathy Grading

Institute of Systems Science, National University of Singapore（新加坡国立大学系统科学研究所）；University of Electronic Science and Technology of China（电子科技大学）；Wuhan University of Science and Technology（武汉科技大学）；Hubei Province Key Laboratory of Intelligent Information Processing and Real-time Industrial System（湖北省智能信息处理与实时工业系统重点实验室）

糖尿病视网膜病变（diabetic retinopathy，DR）是一种常见的致盲性视网膜疾病。出于诊断目的，DR图像分级旨在提供自动DR等级分类，这在二值DR图像分类的常规研究方法中没有解决。眼睛图像中的小物体，如病变和微动脉瘤，对于医学成像中的DR分级至关重要，但它们很容易受到其他物体的影响。为了解决这些挑战，我们提出了一种新的深度学习架构，称为BiRA-Net，它结合了用于特征提取的注意力模型和用于细粒度分类的双线性模型。此外，在考虑不同DR类别的不同等级之间的距离，我们提出了一个新的损失函数，称为分级损失，这导致改进的训练收敛的方法。实验结果证明了所提出的方法的优越性能。

2019-07-01cs.CVcs.LGeess.IV

从眼底图像中识别糖尿病视网膜病变分级的ResNet-50关键成分的系统研究

Identifying the key components in ResNet-50 for diabetic retinopathy grading from fundus images: a systematic investigation

Southern University of Science and Technology（南方科技大学）；The University of British Columbia（不列颠哥伦比亚大学）；The University of Hong Kong（香港大学）；The University of Queensland（昆士兰大学）

虽然基于深度学习的糖尿病视网膜病变（DR）分类方法通常受益于精心设计的卷积神经网络架构，但训练设置对预测性能也有不可忽视的影响。训练环境包括各种相互依赖的组成部分，如目标函数，数据采样策略和数据增强方法。为了识别用于DR分级的标准深度学习框架（ResNet-50）中的关键组件，我们系统地分析了几个主要组件的影响。在公开的数据集EyePACS上进行了大量的实验。我们证明了（1）DR分级框架对输入分辨率，目标函数和数据增强的组成敏感，（2）使用均方误差作为损失函数可以有效地提高针对特定任务的评估指标，即二次加权Kappa的性能，（3）利用眼睛对提高DR分级的性能，以及（4）使用数据恢复来解决EyePACS中数据分布不平衡的问题损害了性能。基于这些观察和最佳组合的调查组件，我们的框架，没有任何专门的网络设计，实现了最先进的结果（0.8631 Kappa）的EyePACS测试集（共42670眼底图像），只有图像级标签。我们还研究了其他眼底数据集和其他网络架构上的拟议训练实践，以评估其通用性。我们的代码和预训练模型可在https://github.com/YijinHuang/pytorch-classification上获得。

2022-10-17cs.CVeess.IV

一种用于增强糖尿病视网膜病变检测的新型自适应混合焦点-熵损失函数（基于卷积神经网络）

A Novel Adaptive Hybrid Focal-Entropy Loss for Enhancing Diabetic Retinopathy Detection Using Convolutional Neural Networks

School of Computer Science and Engineering（计算机科学与工程学院）；Vellore Institute of Technology（韦洛尔理工大学）

针对糖尿病视网膜病变检测中类别不平衡问题，提出自适应混合焦点-熵损失（AHFE），结合焦点与熵损失并自适应加权，在多个CNN模型上显著提升准确率，最高达99.79%。

2025-04-23cs.AIcs.CVcs.LG