Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Dongguk University（东国大学）；Stanford University（斯坦福大学）；Oldenburg University（奥尔登堡大学）
本文研究了糖尿病视网膜病变（DR）分级的领域自适应问题。我们学习不变的目标域特征定义了一种新的自我监督任务的基础上视网膜血管图像重建，医学领域知识的启发。然后，提供了当前最先进的无监督领域自适应方法在DR问题上的基准。可以看出，我们的方法优于现有的域自适应策略。此外，当利用目标域中的整个训练数据时，我们能够通过应用标准网络架构和使用图像级标签在最终分类精度上与几种最先进的方法竞争。
2021-07-20 cs.CV
Deep Semi-Supervised and Self-Supervised Learning for Diabetic Retinopathy Detection
Universidad Nacional de Colombia（哥伦比亚国立大学）；Universidad del Rosario（罗萨里奥大学）
糖尿病视网膜病变（DR）是发达国家工作年龄人群失明的主要原因之一，由糖尿病的副作用引起，其减少了视网膜的血液供应。深度神经网络已广泛用于眼底图像DR分类的自动化系统中。然而，这些模型需要大量的注释图像。在医学领域，来自专家的注释是昂贵的、乏味的和耗时的;因此，可获得的注释图像的数量有限。本文提出了一种半监督的方法，利用未标记的图像和标记的训练模型，检测糖尿病视网膜病变。该方法通过自监督学习进行无监督预训练，然后通过一小部分标记图像和知识蒸馏进行监督微调，以提高分类任务的性能。该方法在EyePACS测试和Messidor-2数据集上进行了评估，仅使用2%的EyePACS训练标记图像，分别达到0.94和0.89 AUC。
2022-08-04 cs.CV
DRDr: Automatic Masking of Exudates and Microaneurysms Caused By Diabetic Retinopathy Using Mask R-CNN and Transfer Learning
University of Georgia（佐治亚大学）
本文讨论了识别糖尿病患者眼中由糖尿病视网膜病变（DR）引起的两种主要类型病变-渗出物和微动脉瘤的问题。我们利用卷积神经网络（CNN）和迁移学习来定位和生成高质量的分割掩模，用于在患者眼底图像中发现的每个病变实例。我们从e-ophtha EX和e-ophtha MA中创建标准化数据库，并调整Mask R-CNN以检测小病变。此外，我们使用数据增强和ResNet 101的预训练权重来补偿我们的小数据集。我们的模型达到了0.45的有希望的测试mAP，这表明它可以帮助临床医生和眼科医生检测和治疗臭名昭著的DR。
2020-07-04 cs.CV
Zoom-in-Net: Deep Mining Lesions for Diabetic Retinopathy Detection
The Chinese University of Hong Kong（香港中文大学）；Tsing Hua University（清华大学）；SenseTime Group Limited（商汤集团有限公司）；Sir Run Run Shaw Hospital（邵逸夫医院）
我们提出了一个卷积神经网络为基础的算法，同时诊断糖尿病视网膜病变和突出可疑区域。我们的贡献有两个方面：1）一个称为Zoom-in-Net的网络，它模拟了临床医生检查视网膜图像的放大过程。Zoomin-Net仅使用图像级监督进行训练，可以生成突出可疑区域的注意力地图，并根据整个图像及其高分辨率可疑补丁准确预测疾病水平。2)仅从自动学习的注意力地图生成的四个边界框就足以覆盖由有经验的眼科医生标记的80%的病变，这表明注意力地图具有良好的定位能力。通过对注意力地图上高响应位置的特征进行聚类，我们发现了包含糖尿病视网膜病变潜在病变的有意义的聚类。实验表明，我们的算法优于国家的最先进的方法在两个数据集，EyePACS和Messidor。
2017-06-14 cs.CV
VR-FuseNet: A Fusion of Heterogeneous Fundus Data and Explainable Deep Network for Diabetic Retinopathy Classification
Technohaven Company Ltd.（Technohaven公司）；Ahsanullah University of Science and Technology（阿沙努拉大学科学与技术学院）；Southeast University（东南大学）
VR-FuseNet通过融合异构视网膜数据和可解释深度网络，实现了高准确率的糖尿病视网膜病变分类。
2026-02-28 cs.CV
Fully Convolutional Neural Network for Semantic Segmentation of Anatomical Structure and Pathologies in Colour Fundus Images Associated with Diabetic Retinopathy
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
糖尿病视网膜病变（DR）是糖尿病性眼病最常见的形式。视网膜病变可以影响所有糖尿病患者，并且变得特别危险，如果不治疗，会增加失明的风险。其治愈的成功率严重依赖于早期诊断。自动化计算机辅助疾病诊断工具的开发可以帮助以更广泛的覆盖面和合理的成本更快地检测症状。本文提出了一种使用深度全卷积神经网络进行语义分割的眼底图像中视网膜病变和视盘的自动分割方法。这种可训练的分割流水线由编码器网络、相应的解码器网络以及像素分类组成，以从背景中分割微动脉瘤、血管瘤、硬渗出物、软渗出物、视盘。该网络使用二进制交叉熵标准进行训练，Sigmoid作为最后一层，而在额外的SoftMax层用于提高单个类别的响应。以灵敏度、阳性预测值（PPV）和准确度为指标，对该方法的性能进行了评价。此外，使用分割的输出图来定位视盘的位置。
2019-02-07 cs.CV
Ensemble of Convolutional Neural Networks for Automatic Grading of Diabetic Retinopathy and Macular Edema
在这篇手稿中，我们自动化的过程中，糖尿病视网膜病变和黄斑水肿的眼底图像使用的合奏卷积神经网络。通过使用迁移学习方法，避免了有限数量的标记数据来执行监督学习的可用性。集合中的模型在包含自然图像的大型数据集上进行了预训练，然后使用有限的数据进行了微调。对于一幅图像，分类器的集合产生多个预测，并利用基于最大投票的方法来获得图像中的异常的最终等级。对于DR分级任务，在测试数据（n=56）上，集合达到83.9%的准确度，而对于黄斑水肿分级任务，网络达到95.45%的准确度（n=44）。
2018-09-12 cs.CV
GREEN: a Graph REsidual rE-ranking Network for Grading Diabetic Retinopathy
Tencent Jarvis Lab（腾讯贾维斯实验室）；Northwestern Polytechnical University（西北工业大学）
糖尿病视网膜病变（DR）的自动分级有助于患者和医生的医疗诊断。现有的研究将DR分级作为一个图像分类问题。由于DR的阶段/类别彼此相关，因此无法通过单一热门标签明确描述不同类别之间的关系，因为它是由具有不同结局的不同医生凭经验估计的。这种类别相关性限制了现有网络实现有效分类。在本文中，我们提出了一个图剩余rE-排名网络（绿色），引入一个类依赖先验到原来的图像分类网络。类依赖先验由具有邻接矩阵的图卷积网络表示。该先验通过以残差聚合方式对分类结果重新排序来增强图像分类流水线。在标准基准测试上的实验表明，GREEN的性能优于最先进的方法。
2020-07-21 cs.CV
Grader variability and the importance of reference standards for evaluating machine learning models for diabetic retinopathy
Google Research（谷歌研究院）；Palo Alto Medical Foundation（帕洛阿尔托医疗基金会）；Oregon Eye Consultants（俄勒冈眼科顾问公司）
糖尿病视网膜病变（DR）和糖尿病黄斑水肿是糖尿病常见的并发症，可导致视力丧失。DR的分级是一个相当复杂的过程，需要检测细微的特征，如微动脉瘤、视网膜内血管瘤和视网膜内微血管异常。正因为如此，可能有相当数量的分级可变性。有不同的方法来获得参考标准和解决评分员之间的分歧，虽然通常认为，直到完全达成共识的裁决将产生最佳参考标准，但解决分歧的各种方法之间的差异尚未得到广泛的研究。在这项研究中，我们研究了不同分级方法的可变性，参考标准的定义，以及它们对构建用于检测糖尿病眼病的深度学习模型的影响。我们发现，一小组裁定的DR等级允许算法性能的大幅改善。由此产生的算法的性能与美国委员会认证的眼科医生和视网膜专家的性能相当。
2018-07-03 cs.CV
Transfer Learning based Detection of Diabetic Retinopathy from Small Dataset
Sharda University（沙尔达大学）；Research and Technology Development Center（研究与技术开发中心）
带注释的训练数据不足仍然是将深度学习应用于医学数据分类问题的挑战之一。来自已经训练的深度卷积网络的迁移学习可以用于降低从头开始训练的成本，并且用于利用小的训练数据进行深度学习的训练。这就提出了一个问题，即我们是否可以使用迁移学习来克服基于深度学习的医疗数据分类中的训练数据不足问题。深度卷积网络在ImageNet大规模视觉识别竞赛（ILSVRC）图像分类挑战中取得了高性能的结果。一个例子是Inception-V3模型，它是ILSVRC 2015挑战赛的第一名。Inception模块有助于在一个卷积级别中提取输入图像的不同大小的特征，这是Inception-V3的独特功能。在这项工作中，我们使用了预训练的Inception-V3模型，以利用其Inception模块进行糖尿病视网膜病变检测。为了解决标记数据不足的问题，我们对Kaggle糖尿病视网膜病变分类挑战数据集的较小版本进行了二次采样，以进行模型训练，并在以前看不见的数据子集上测试了模型的准确性。我们的技术可以用于其他基于深度学习的医学图像分类问题，这些问题面临着标记训练数据不足的挑战。
2019-05-22 cs.CV
CauDR: A Causality-inspired Domain Generalization Framework for Fundus-based Diabetic Retinopathy Grading
The Chinese University of Hong Kong（香港中文大学）；Zigong First People’s Hospital（自贡市第一人民医院）；Zhejiang Lab（之江实验室）
针对DR分级模型跨成像设备泛化不足的问题，本文提出因果启发框架CauDR，通过SCM与do-操作消除虚假关联，并构建4DR基准，取得SOTA性能。
2023-09-27 cs.CV
Mobile-Ready Automated Triage of Diabetic Retinopathy Using Digital Fundus Images
Vishwakarma Institute Of Technology（维什瓦卡尔马理工学院）
本文提出基于MobileNetV3和CORAL头的轻量级深度学习框架，用于移动设备上高效评估糖尿病视网膜病变严重程度，实现高准确率和可扩展的筛查工具。
2026-02-25 cs.CV
Deep Learning based Computer-Aided Diagnosis Systems for Diabetic Retinopathy: A Survey
Imam Abdulrahman Bin Faisal University（伊玛目阿卜杜勒-拉赫曼·本·费萨尔大学）；King Saud University（沙特国王大学）；Princess Nourah bint Abdulrahman University（努拉·宾特·阿卜杜勒-拉赫曼公主大学）；King Khalid Eye Specialist Hospital（哈立德国王眼科专科医院）
糖尿病视网膜病变（DR）如果不及早治疗会导致视力丧失。基于眼底图像的计算机辅助诊断（CAD）系统是DR早期诊断和辅助专家诊断的有效手段。计算机辅助诊断（CAD）系统涉及眼底图像中病变的检测、分割和分类等各个阶段。许多传统的机器学习（ML）技术的基础上手工设计的功能已经被引入。最近出现的深度学习（DL）及其在各种应用中对传统ML方法的决定性胜利促使研究人员将其用于DR诊断，并引入了许多基于深度学习的方法。在本文中，我们回顾了这些方法，强调了它们的优点和缺点。此外，我们指出了在设计和学习高效，有效和强大的深度学习算法以解决DR诊断中的各种问题时需要解决的挑战，并提请注意未来的研究方向。
2019-08-21 cs.CV
Stage Aware Diagnosis of Diabetic Retinopathy via Ordinal Regression
Amrita School of Computing, Amrita Vishwa Vidyapeetham, Amaravati Campus, Andhra Pradesh - 522503, India（阿米特拉计算学校，阿米特拉世界大学，阿曼瓦蒂校区，安得拉邦，印度）；Amity Institute of Information Technology, Amity University Jharkhand, Ranchi, India（阿米特大学信息科技学院，阿米特大学贾坎德分校，拉奇，印度）
针对糖尿病视网膜病变的筛查需求，提出基于有序回归的DR检测框架，采用GC提取、噪声掩蔽和CLAHE预处理APTOS-2019数据集，以二次加权Kappa评估性能，获0.8992的QWK分数，刷新该数据集基准。
2025-11-18 cs.CV
An Ensemble Method to Automatically Grade Diabetic Retinopathy with Optical Coherence Tomography Angiography Images
University of Oxford（牛津大学）；Big Data Institute（大数据研究所）
糖尿病视网膜病变（DR）是糖尿病的一种并发症，也是全球人群视力损害的主要原因之一。由于DR的早期表现通常非常轻微且难以检测，因此通过眼部筛查进行准确诊断对于预防后期视力丧失具有重要的临床意义。在这项工作中，我们提出了一种集成方法，使用2022年糖尿病视网膜病变分析挑战赛（Diabetic Retinopathy Analysis Challenge）提供的超宽光学相干断层扫描血管造影（UW-OCTA）图像自动对DR进行分级。首先，我们采用最先进的分类网络，即，ResNet、DenseNet、EfficientNet和VGG，并对它们进行训练，以使用可用数据集的不同分割对UW-OCTA图像进行分级。最终，我们得到了25个模型，其中，前16个模型被选择和集成，以产生最终的预测。在训练过程中，我们还研究了多任务学习策略，并增加了一个辅助分类任务，图像质量评估，以提高模型的性能。我们最终的集成模型在内部测试数据集上实现了0.9346的二次加权kappa（QWK）和0.9766的曲线下面积（AUC），并且QWK为0.839，AUC为0.8978。
2022-12-12 cs.CV
Automated Smartphone based System for Diagnosis of Diabetic Retinopathy
Research and Technology Development Center（研究与技术开发中心）；Sharda University（夏尔达大学）
早期诊断糖尿病视网膜病变以治疗这种疾病一直未能达到生活在农村地区的糖尿病患者。缺乏训练有素的眼科医生，医疗中心有限，诊断设备昂贵是原因之一。尽管文献中已经实现了许多基于深度学习的糖尿病视网膜病变自动诊断技术，但这些方法仍然无法提供即时诊断。这就需要一个独立的诊断糖尿病视网膜病变，可以由非专家使用。最近，智能手机的使用在世界各地不断增加。糖尿病视网膜病变的自动诊断可以部署在智能手机上，以便为居住在偏远地区的糖尿病患者提供即时诊断。本文提出并实现了基于初始的卷积神经网络和基于二叉决策树的分类器集成来检测和分类糖尿病视网膜病变。所提出的方法被进一步导入到智能手机应用程序中，用于基于移动的分类，这为糖尿病视网膜病变的诊断提供了一个离线和自动化的系统。
2020-04-07 cs.CV cs.HC eess.IV
Classification of Diabetic Retinopathy Images Using Multi-Class Multiple-Instance Learning Based on Color Correlogram Features
The Methodist Hospital（卫理公会医院）；The University of Texas Health Science Center Houston（德克萨斯大学休斯顿健康科学中心）
所有糖尿病患者都有发生糖尿病视网膜病变（DR）的风险，这是一种威胁视力的并发症。早期发现和及时治疗可以减少DR致盲的发生，计算机辅助诊断可以提高DR检测的准确性和速度。本研究涉及两种重要的DR临床表现-微动脉瘤（MA）和新生血管（NV）图像的自动分类。与正常图像一起，这提出了3类分类问题。我们提出了一种改进的彩色自相关图特征（AutoCC），具有低维，对DR图像进行光谱调整。认识到这样一个事实，即有或没有MA或NV的图像通常只在小的局部区域不同，我们建议采用多类，多实例学习框架使用建议的功能执行分类任务。大量的实验，包括与一些国家的最先进的图像分类方法进行了比较，结果表明，所提出的方法是有前途的，因为它优于其他方法的一个很大的保证金。
2017-04-05 cs.CV
Introducing Feature Attention Module on Convolutional Neural Network for Diabetic Retinopathy Detection
Jadavpur University（jadavpur大学）
本文提出将特征注意力模块与预训练VGG19 CNN融合，通过注意力机制增强眼底图像显著特征表达，并在APTOS DR数据集上取得95.70%的检测准确率。
2023-08-06 cs.CV
Automated Diabetic Retinopathy Grading using Deep Convolutional Neural Network
Department of Computer Science & Engineering, Priyadarshini Institute of Engineering & Technology（普里雅达希尼工程技术学院计算机科学与工程系）
糖尿病视网膜病变是一个全球性的健康问题，影响全球1亿人，在未来几十年，这些发病率预计将达到流行病的比例。糖尿病视网膜病变是一种微妙的眼部疾病，可导致突然的，不可逆转的视力丧失。考虑到眼底照相视网膜图像的视觉复杂性，早期糖尿病视网膜病变的诊断对于人类专家来说可能是具有挑战性的。然而，糖尿病视网膜病的早期检测可以显着改变严重的视力丧失问题。计算机辅助检测系统准确检测糖尿病视网膜病变的能力已经在研究人员中普及。在这项研究中，我们使用了一个经过预训练的DenseNet121网络，并进行了几次修改，并在APTOS 2019数据集上进行了训练。该方法在早期检测方面优于其他最先进的网络，在糖尿病视网膜病变的严重程度分级中，多标签分类的准确率达到96.51%，单类分类方法的准确率达到94.44%。此外，我们的网络的准确率，召回率，f1得分和二次加权kappa分别为86%，87%，86%和91.96%。我们提出的架构是同时非常简单，准确，高效的计算时间和空间。
2020-04-14 cs.CV eess.IV
Learning Discriminative Representations for Fine-Grained Diabetic Retinopathy Grading
Shanghai University（上海大学）；Tongji University（同济大学）；Shanghai General Hospital（上海市第一人民医院）；Shanghai Jiao Tong University School of Medicine（上海交通大学医学院）
糖尿病视网膜病变（DR）是导致失明的主要原因之一。然而，早期DR没有特异性症状导致诊断延迟，从而导致患者疾病进展。为了确定疾病的严重程度，眼科医生需要关注眼底图像的可辨别部分。近年来，深度学习在医学图像分析方面取得了巨大成功。然而，大多数工作直接采用基于卷积神经网络（CNN）的算法，这忽略了类之间的差异是微妙和渐进的这一事实。因此，我们认为自动图像分级DR作为一个细粒度的分类任务，并构建一个双线性模型来识别病理歧视的地区。为了利用类间的序信息，我们使用序回归方法来获得软标签。此外，除了只使用分类损失来训练我们的网络之外，我们还引入了度量损失来学习更具鉴别力的特征空间。实验结果表明，该方法在两个公共IDRiD和DeepDR数据集上具有优异的性能。
2020-11-04 cs.CV
Unlabeled Data Deployment for Classification of Diabetic Retinopathy Images Using Knowledge Transfer
Isfahan University of Technology（伊斯法罕理工大学）；McMaster University（麦克马斯特大学）
卷积神经网络（CNN）在医学图像处理中具有广泛的应用前景。医学图像是丰富的，但缺乏注释数据。迁移学习用于解决标记数据不足的问题，并赋予CNN更好的训练能力。迁移学习可用于许多不同的医学应用;然而，迁移下的模型应具有与原始网络相同的大小。知识蒸馏是最近提出的一种将模型中的知识转移到另一个模型中的方法，可以弥补迁移学习的不足。但是，有些知识可能无法通过知识蒸馏得到蒸馏。提出了一种新的基于迁移学习的知识蒸馏方法，将一个模型的全部知识迁移到另一个模型。所提出的方法可以是有益的和实用的医学图像分析，其中少量的标记数据是可用的。所提出的过程进行测试糖尿病视网膜病变分类。仿真结果表明，使用所提出的方法，一个广泛的网络的知识可以转移到一个较小的模型。
2020-02-09 cs.CV
Transfer-Ensemble Learning based Deep Convolutional Neural Networks for Diabetic Retinopathy Classification
Jadavpur University（jadavpur大学）
本文提出一种基于VGG16和Inception V3的迁移集成学习模型，通过冻结部分层并拼接全局平均池化特征，在APTOS数据集上将糖尿病视网膜病变五分类准确率提升至96.4%。
2023-08-01 cs.AI cs.CV
XDR-LVLM: An Explainable Vision-Language Large Model for Diabetic Retinopathy Diagnosis
SANNO University（三ノ大学）
本文提出XDR-LVLM框架，利用视觉-语言大模型结合多任务提示工程与多阶段微调，实现糖尿病视网膜病变的高精度分级诊断和可解释报告生成，并在DDR数据集上取得领先性能。
2025-08-21 cs.CV
Generalizing Across Domains in Diabetic Retinopathy via Variational Autoencoders
Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文利用变分自编码器解耦眼底图像潜在空间，学习域不变表示以应对糖尿病视网膜病变分类中的域偏移，并在公开数据集上证明简单方法可超越复杂先进方法。
2023-09-20 cs.CV
An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
糖尿病视网膜病变（DR）是全球视力丧失的主要原因。然而，尽管其流行，大多数受影响的人缺乏获得专业眼科医生和设备所需的评估他们的病情。这可能会导致治疗开始的延迟，从而降低他们获得成功结果的机会。已经提出了自动检测眼底图像中的疾病的机器学习系统，作为促进访问远程区域中的患者的DR严重性估计或者甚至用于补充人类专家的诊断的手段。在本文中，我们提出了一个机器学习系统，用于检测眼底图像中的可重复DR，这是基于多实例学习的范例。通过从图像块中提取局部信息并通过注意力机制有效地将其组合，我们的系统能够实现高分类精度。此外，它可以突出DR通过其特征性病变表现的潜在图像区域。我们在公开的视网膜图像数据集上评估了我们的方法，在这些数据集上，它表现出接近最先进的性能，同时还产生了可解释的预测可视化。
2021-03-02 cs.CV
Learned Pre-Processing for Automatic Diabetic Retinopathy Detection on Eye Fundus Images
Carnegie Mellon University（卡内基梅隆大学）；INESC TEC, Porto（波尔图INESC TEC研究所）；École de Tecnologie Superieure, Montreal（蒙特利尔高等技术学院）；Faculty of Engineering, University of Porto（波尔图大学工程学院）
糖尿病视网膜病变是世界上工作年龄人口失明的主要原因。本文的主要目的是通过实施阴影去除和颜色校正步骤作为眼底图像的预处理阶段来提高糖尿病视网膜病变检测的准确性。为此，我们依赖于最近的研究结果表明，应用图像去雾的反转强度域相当于照明补偿。受这项工作的启发，我们提出了一个阴影去除层，使我们能够学习特定任务的预处理功能。我们表明，学习预处理函数可以提高网络在糖尿病视网膜病变检测任务上的性能。
2020-07-27 cs.CV eess.IV
Lesion detection and Grading of Diabetic Retinopathy via Two-stages Deep Convolutional Neural Networks
Baidu Research, Baidu（百度研究院，百度）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
提出了一种基于两阶段深度卷积神经网络（DCNN）的糖尿病视网膜病变（DR）自动分析算法。与现有的基于DCNN的DR检测方法相比，该算法具有以下优点：（1）我们的方法可以指出眼底图像中病变的位置和类型，以及DR的严重程度等级。此外，由于视网膜病变和DR严重程度在眼底图像中以不同的尺度出现，本地和全球网络的整合，了解更完整和具体的DR分析功能。(2)通过引入不平衡加权图，DR分级将更多地关注病变斑块，这显着提高了所提出算法的性能。在这项研究中，我们标记了12，206个病变斑块，并重新注释了来自Kaggle竞争数据集的23，595个眼底图像的DR等级。在临床眼科医生的指导下，实验结果表明，我们的局部病变检测网络达到了与训练过的人类观察者相当的性能，并且所提出的不平衡加权方案也被证明可以显着提高我们基于DCNN的DR分级算法的性能。
2017-05-02 cs.CV
AdvBlur: Adversarial Blur for Robust Diabetic Retinopathy Classification and Cross-Domain Generalization
针对深度学习糖尿病视网膜病变分类模型因分布偏移鲁棒性不足的问题，提出融合对抗模糊图像与双损失函数的AdvBlur方法，经多数据集验证可有效提升跨域泛化性能。
2025-10-28 cs.CV
Replication study: Development and validation of deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs
UiT - The Arctic University of Norway（挪威北极大学）
重复性研究对于验证新方法至关重要，对于保持科学出版物的高标准和将结果用于实践至关重要。我们试图复制发表在JAMA 2016; 316（22）上的“开发和验证用于检测视网膜眼底照片中糖尿病视网膜病变的深度学习算法”中的主要方法。由于源代码不可用，我们重新实现了该方法，并且我们使用了公开的数据集。最初的研究使用来自EyePACS和印度三家医院的非公开眼底图像进行培训。我们使用了来自Kaggle的不同EyePACS数据集。最初的研究使用基准数据集Messidor-2来评估算法的性能。我们使用相同的数据集。在最初的研究中，眼科医生对所有图像进行了糖尿病视网膜病变、黄斑水肿和图像分级。对于我们的数据集，每张图像都有一个糖尿病视网膜病变等级，我们自己评估了图像分级能力。原始研究中未描述超参数设置。但其中一些后来被出版。我们无法复制原始研究。我们的算法在Kaggle EyePACS测试集上的受试者工作曲线下面积（AUC）为0.94，在Messidor-2上为0.80，与原始研究中报告的AUC 0.99不接近。这可能是由于每个图像使用单个等级、不同的数据或不同的未描述的超参数设置造成的。这项研究显示了复制深度学习的挑战，以及需要更多的复制研究来验证深度学习方法，特别是用于医学图像分析。我们的源代码和说明可以在以下网址获得：https://github.com/mikevoets/jama16-re…
2018-08-30 cs.CV
A Residual Encoder-Decoder Network for Segmentation of Retinal Image-Based Exudates in Diabetic Retinopathy Screening
COMSATS University Islamabad（伊斯兰堡 COMSATS 大学）；Deakin University（迪肯大学）；Victoria University（维多利亚大学）
糖尿病视网膜病变是指由糖尿病引起的视网膜病变，是世界上可预防失明的主要原因之一。早期发现糖尿病视网膜病变是通过持续筛查和治疗来避免视力问题的关键。在传统的临床实践中，使用眼底照片手动检测所涉及的病变。然而，由于病变的尺寸小和图像的对比度低，这项任务是繁琐和耗时的，并且需要大量的努力。因此，最近正在积极探索基于红色病变检测的糖尿病视网膜病变的计算机辅助诊断。在本文中，我们提出了一个卷积神经网络与残留跳过连接视网膜图像中的渗出物的分割。为了提高网络体系结构的性能，使用了合适的图像增强技术。所提出的网络可以鲁棒地分割渗出物，具有高精度，这使得它适合于糖尿病视网膜病变筛查。三个基准数据库：HEI-MED，E-ophtha，和DiaretDB 1的性能比较分析。结果表明，所提出的方法达到准确度（0.98，0.99，0.98）和灵敏度（0.97，0.92，和0.95）E-ophtha，HEI-MED，和DiaReTDB 1，分别。
2022-01-16 cs.CV eess.IV
Exploring the Transfer Learning Capabilities of CLIP in Domain Generalization for Diabetic Retinopathy
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
针对糖尿病视网膜病变分类的域泛化难题，探究CLIP的迁移学习潜力，提出带可学习视觉令牌的上下文优化多模态微调策略，较基线F1分数提升1.8%，代码已开源。
2023-08-27 cs.CV
Diabetic Retinopathy Lesion Segmentation through Attention Mechanisms
San Jose State University（旧金山州立大学）
本文提出通过注意力机制改进DeepLab-V3+模型，实现糖尿病视网膜病变病变的高精度分割，提升微动脉瘤检测性能。
2026-02-07 cs.CV
MultiRetNet: A Multimodal Vision Model and Deferral System for Staging Diabetic Retinopathy
MIT（麻省理工学院）
本文提出MultiRetNet，融合视网膜图像、社会经济因素与共病数据提升DR分期准确性，并通过对比学习训练弃权（不执行）系统识别低质量图像，以改善服务不足人群的早期检测与医疗公平。
2025-07-19 cs.CV
A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability
Inception Institute of Artificial Intelligence（人工智能研究院）
糖尿病患者有患上糖尿病视网膜病变（DR）的风险。当高血糖水平导致视网膜血管受损时，就会发生这种疾病。由于深度学习的巨大成功，计算机辅助DR诊断是早期检测DR和严重程度分级的有前途的工具。然而，由于缺乏具有一致且细粒度的注释的训练数据，大多数当前的DR诊断系统不能实现令人满意的性能或对于眼科医生的可解释性。为了解决这个问题，我们构建了一个包含2，842张图像（FGADR）的大型细粒度注释DR数据集。该数据集包含1，842张带有像素级DR相关病变注释的图像，以及1，000张带有图像级标签的图像，这些图像由六位经过委员会认证的眼科医生进行评级，评级者之间具有一致性。拟议的数据集将使广泛的研究DR诊断。我们设置了三个基准任务进行评估：1。DR病变分割; 2.根据关节分类和分割进行DR分级; 3.迁移学习用于眼部多疾病识别。此外，一个新的归纳迁移学习方法介绍了第三个任务。使用不同的最先进的方法进行了广泛的实验对我们的FGADR数据集，这可以作为未来研究的基线。
2020-11-11 cs.CV
Deep Learning for Automated Quality Assessment of Color Fundus Images in Diabetic Retinopathy Screening
Australian e-Health Research Centre, CSIRO（澳大利亚电子健康研究中心，联邦科学与工业研究组织）；ACRV, The Australian National University（澳大利亚机器人视觉中心，澳大利亚国立大学）；University of California, Berkeley（加州大学伯克利分校）
目的建立一种基于计算机的糖尿病视网膜病变（DR）图像质量自动评价方法，以指导摄影师。方法训练一个深度学习框架来自动对图像进行分级。实验中使用了一组7000幅彩色眼底图像，这些图像是从加利福尼亚医疗保健基金会提供的EyePACS中获得的。三位视网膜图像分析专家根据DR背景下图像质量的精确定义将这些图像分类为Accept和Except类。使用3428张图像训练深度学习框架。结果共使用3572幅图像进行评价。该方法显示出100%的准确性，成功地分类接受和拒绝图像。结论图像质量是DR分级的必要前提。本文提出了一种基于深度学习的DR背景下自动图像质量评估方法。该方法可以很容易地与眼底图像采集系统结合，从而可以指导摄影师是否需要重新捕获。
2017-03-07 cs.CV
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。
2020-04-29 cs.CV cs.LG eess.IV
HSQ-VLM: A Novel Spatially-Constrained Quadrant Segmentation VLM Model for Explainability in Diabetic Retinopathy
Pittsburgh, Pennsylvania（宾夕法尼亚州匹兹堡）
提出HSQ-VLM，利用地标锚定笛卡尔交叉注意力机制和四象限拓扑潜在分割，实现眼底图像中病变的解剖精确量化与自然语言报告生成，在出血和微动脉瘤检测上达到99.6%和96.4%的灵敏度。
2026-06-16 cs.CV
Diabetic Retinopathy Classification from Retinal Images using Machine Learning Approaches
Khulna University of Engineering & Technology（库尔纳工程技术大学）
本文利用视网膜图像中的渗出物、血管和微动脉瘤特征，结合SVM、Random Forest和Naive Bayes对糖尿病视网膜病变分期，Random Forest取得最优分类性能。
2024-12-03 cs.CV cs.LG
Robust Collaborative Learning of Patch-level and Image-level Annotations for Diabetic Retinopathy Grading from Fundus Image
Artificial Intelligence Group, Baidu（百度人工智能组）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Science and Technology of China（中国科学技术大学）
糖尿病视网膜病变（DR）分级眼底图像已吸引了越来越多的学术界和工业界的兴趣。大多数基于卷积神经网络（CNN）的算法将DR分级视为通过图像级注释的分类任务。然而，这些算法并没有充分发掘DR相关病变中有价值的信息。在本文中，我们提出了一个强大的框架，协同利用补丁级和图像级注释，DR严重程度分级。通过端到端的优化，该框架可以双向交换细粒度病变和图像级分级信息。因此，它利用更多的判别特征进行DR分级。所提出的框架表现出更好的性能比最近的国家的最先进的算法和三个临床眼科医生超过九年的经验。通过对不同分布的数据集（如标签和相机）进行测试，我们证明了我们的算法在面对现实世界中普遍存在的图像质量和分布变化时具有鲁棒性。我们通过广泛的消融研究来检查所提出的框架，以表明每个动机的有效性和必要性。代码和一些有价值的注释现已公开。
2021-03-18 cs.CV
Weakly-supervised localization of diabetic retinopathy lesions in retinal fundus images
Robert Bosch GmbH（罗伯特·博世有限公司）；TU Dortmund University（多特蒙德工业大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
卷积神经网络（CNN）在图像分类和检测方面表现出令人印象深刻的性能，并在很大程度上扩展到医学图像领域。然而，医学专家对这些预测持怀疑态度，因为导致分类结果的非线性多层结构并不能直接理解。最近，已经示出了帮助用户理解图像内的判别区域的方法，所述判别区域对于CNN得出某个类别是决定性的。虽然这些方法可以帮助建立对CNN预测的信任，但它们只稍微显示出对医学图像数据的作用，这通常会带来挑战，因为对一个类别的决定依赖于分散在整个图像周围的不同病变区域。使用DiaretDB1数据集，我们表明，在视网膜图像上，糖尿病视网膜病变的不同病变区域基本上是在图像水平上检测到的，具有高精度，可比或超过监督的方法。在病变级别上，我们实现了极低的假阳性，具有高灵敏度，但是，该网络仅在图像级别标签上进行训练，这些标签不包括有关现有病变的信息。在患病和健康图像之间进行分类，我们在DiaretDB 1上实现了0.954的AUC。
2017-06-29 cs.CV
Diabetic Retinopathy Grading with CLIP-based Ranking-Aware Adaptation:A Comparative Study on Fundus Image
Hong Kong University of Science and Technology（香港科技大学）
本文比较了三种基于CLIP的方法用于五类糖尿病视网膜病变严重程度分级，提出排名感知模型在整体准确率和临床关键严重病例召回率上表现最佳，混合FCN-CLIP模型在检测增生性视网膜病变方面表现突出，均优于零样本基线。
2026-03-12 cs.CV
Looking into Concept Explanation Methods for Diabetic Retinopathy Classification
Simula Metropolitan Center for Digital Engineering（西穆拉都市数字工程中心）；Novo Nordisk A/S（诺和诺德公司）；Technical University of Denmark（丹麦技术大学）
针对糖尿病视网膜病变深度学习诊断模型可解释性不足的问题，本研究调研比较了两种基于概念的解释技术，发现二者各有优劣，选择时需结合数据情况与用户偏好。
2024-10-04 cs.AI cs.CV
Detection of Diabetic Anomalies in Retinal Images using Morphological Cascading Decision Tree
Kasetsart University（泰国农业大学）；National Electronics and Computer Technology Centre（泰国国家电子与计算机技术中心）；Tokyo Institute of Technology（东京工业大学）
本研究旨在建立一个有效的糖尿病视网膜病变筛查系统。糖尿病视网膜病变是导致失明的主要原因。糖尿病视网膜病变的严重程度可通过一些特征来识别，如血管面积、渗出物、出血和微动脉瘤。为了对疾病进行分级，筛查系统必须有效地检测这些特征。在本文中，我们提出了一种简单而快速的方法来检测糖尿病视网膜病变。我们对灰度图像进行预处理，并在图像中找到所有标记的连通分量（斑点），无论它是出血，渗出物，血管，视盘还是其他任何东西。然后，我们应用一些约束条件，如紧凑性，斑点的面积，强度和对比度的候选连接组件负责糖尿病视网膜病变的筛选。我们通过一些后处理来获得最终结果。将结果与地面实况进行比较。性能是通过找到召回（敏感性）来衡量的。我们拍摄了10张尺寸为500 * 752的图像。平均召回率为90.03%。
2020-01-07 cs.CV eess.IV
Classification of Diabetic Retinopathy using Pre-Trained Deep Learning Models
Karlstad University（卡尔斯塔德大学）；Rotterdam University（鹿特丹大学）；Angelo State University（安杰洛州立大学）
本文提出一种基于预训练CNN的CAD系统，用于将视网膜图像自动分为五类糖尿病视网膜病变，并在Kaggle平台上验证了多种深度学习模型的有效性。
2024-03-29 cs.AI cs.CV
UATTA-ENS: Uncertainty Aware Test Time Augmented Ensemble for PIRC Diabetic Retinopathy Detection
Manipal Institute of Technology（马尼帕尔理工学院）；Manipal Academy of Higher Education（马尼帕尔高等教育学院）
深度嵌入卷积神经网络已成为分析医学图像的首选方法，其诊断性能与医生相当，包括糖尿病视网膜病变的诊断。然而，常用的技术是确定性的，因此无法提供任何估计的预测不确定性。量化模型的不确定性对于降低误诊风险至关重要。一个可靠的架构应该经过良好的校准，以避免过度自信的预测。为了解决这个问题，我们提出了一个UATTA-ENS：不确定性感知测试时间增强Entrance技术5类PIRC糖尿病视网膜病变分类，以产生可靠的和校准良好的预测。
2022-11-08 cs.AI cs.CV cs.LG
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。
2019-04-16 cs.CV cs.LG eess.IV
ExplAIn: Explanatory Artificial Intelligence for Diabetic Retinopathy Diagnosis
Inserm（法国国家健康与医学研究院）；Univ Bretagne Occidentale（西布列塔尼大学）；IMT Atlantique（大西洋国立高等工业技术学院）；Hôpital Lariboisière, APHP（巴黎公立医院集团拉里博瓦西耶医院）；CHRU Brest（布雷斯特地区大学医院中心）
近年来，人工智能（AI）已证明其与医疗决策支持的相关性。然而，成功的人工智能算法的“黑匣子”性质仍然阻碍了它们的广泛部署。在本文中，我们描述了一种解释性人工智能（XAI），它达到了与黑盒AI相同的性能水平，用于使用彩色眼底摄影（CFP）对糖尿病视网膜病变（DR）严重程度进行分类。该算法称为ExplAIn，学习对图像中的病变进行分割和分类;最终的图像级分类直接来自这些多变量病变分割。这个解释性框架的新颖之处在于，它是从端到端训练的，只有图像监督，就像黑盒AI算法一样：病变和病变类别的概念是自己出现的。为了改进病变定位，通过自我监督训练前景/背景分离，以这样的方式，即遮挡前景像素将输入图像转换为看起来健康的图像。这种架构的优点在于，自动诊断可以简单地通过图像和/或几句话来解释。ExplAIn在图像级别和像素级别上对各种CFP图像数据集进行评估。我们希望这个新框架能够提供高分类性能和可解释性，以促进人工智能的部署。
2021-07-22 cs.CV
Point-of-Care Diabetic Retinopathy Diagnosis: A Standalone Mobile Application Approach
SHARDA UNIVERSITY（沙尔达大学）
尽管深度学习的研究和应用在过去十年中发展迅速，但它在医疗保健应用中的局限性及其对偏远地区人们的可达性。将深度学习纳入医疗数据分类或预测的挑战之一是医疗行业缺乏带注释的训练数据。医疗数据共享隐私问题和有限的患者人群规模可以说是医疗保健中训练数据不足的一些原因。本文提出并实现了在医疗保健中利用深度学习应用的方法。糖尿病视网膜病变的传统诊断需要训练有素的眼科医生和昂贵的成像设备到达医疗中心，以便提供治疗可预防失明的设施。居住在医疗服务和眼科医生短缺的偏远地区的糖尿病患者通常无法获得糖尿病视网膜病变的定期诊断，从而面临视力丧失或受损的可能性。深度学习和移动应用程序开发已集成在本论文中，以提供一个易于使用的基于智能手机的糖尿病视网膜病变诊断点。为了解决医疗中心和训练有素的眼科医生短缺的挑战，建立了独立的诊断服务，以便由非专家在没有互联网连接的情况下操作。该方法可以推广到医学图像分类的其他领域。
2020-01-26 cs.CV eess.IV
Transfer Learning for Retinal Vascular Disease Detection: A Pilot Study with Diabetic Retinopathy and Retinopathy of Prematurity
Tsinghua-Berkeley Shenzhen Institute（清华-伯克利深圳学院）；University of California, Berkeley（加州大学伯克利分校）；Affiliated Eye Hospital of Nanchang University（南昌大学附属眼科医院）
视网膜血管疾病影响人体的健康，有时会提供生命体征，否则无法检测到的身体损伤。最近，深度学习技术已成功应用于糖尿病视网膜病变（DR）的检测。应用深度学习技术检测大多数其他视网膜血管疾病的主要障碍是可用数据量有限。在本文中，我们提出了一种迁移学习技术，旨在利用特征相似性检测视网膜血管疾病。我们选择了研究的DR检测作为源任务，并确定早产儿视网膜病变（ROP）的早期检测作为目标任务。我们的实验结果表明，我们的DR预训练方法在所有指标中均优于目前在医学图像分析中采用的传统ImageNet预训练迁移学习方法。此外，我们的方法在训练过程中的随机性和减少的训练样本方面更加稳健。这项研究表明，我们提出的迁移学习方法对广泛的视网膜血管疾病或病理的潜力，其中数据有限。
2022-01-04 cs.CV cs.LG
Towards Generalizable Diabetic Retinopathy Grading in Unseen Domains
The Hong Kong University of Science and Technology（香港科技大学）
针对DR分级中域偏移导致的性能下降问题，提出包含三组件的GDRNet框架解决三重泛化难题，构建公开基准并通过实验验证了其有效性与泛化能力。
2023-07-21 cs.CV
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。
2023-07-31 cs.CV cs.LG eess.IV
Cost-Sensitive Regularization for Diabetic Retinopathy Grading from Eye Fundus Images
University of Bournemouth（伯恩茅斯大学）；École de Technolgie Superieure de Montréal（蒙特利尔高等技术学院）；Diagnos Inc.（Diagnos公司）；CRCHUM University of Montreal Hospital Centre（蒙特利尔大学医院研究中心）
评估生物医学图像中疾病严重程度的任务类似于标准分类，但受到标签空间中的底层结构的约束。这种结构反映了不同疾病等级之间的单调关系。在本文中，我们提出了一种简单的方法来执行这一约束的任务，预测糖尿病视网膜病变（DR）的严重程度从眼底图像的基础上，众所周知的概念成本敏感的分类。我们用一个额外的术语来扩展标准分类损失，该术语充当正则化器，当预测等级远离与特定图像相关联的真实等级时，对预测等级施加更大的惩罚。此外，我们展示了如何适应我们的方法，以建模的标签噪声在每个子问题相关联的DR分级，一种方法，我们称为原子子任务建模。这产生可以隐含地考虑DR等级注释中存在的固有噪声的模型。我们对几个公共数据集的实验分析表明，当使用这种简单的策略训练标准的卷积神经网络时，可以以微不足道的计算成本实现3 - 5%的二次加权kappa分数的改进。在www.example.com上发布了重现我们结果的代码。
2020-10-01 cs.CV
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。
2024-09-06 cs.CV eess.IV
Diabetic Retinopathy Classification using Downscaling Algorithms and Deep Learning
Dhirubhai Ambani Institute of Information and Communication Technology（迪鲁巴希·阿姆巴尼信息与通信技术研究所）
本文提出使用降缩算法和多通道Inception V3架构对糖尿病视网膜病变进行分类，通过融合Kaggle和印度糖尿病视网膜病变图像数据集，提升分类性能。
2026-05-12 cs.AI cs.CV cs.LG
