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。
2020-05-28 cs.CV cs.LG eess.IV
Distributional Shifts in Automated Diabetic Retinopathy Screening
National University of Singapore（新加坡国立大学）
开发基于深度学习的模型以自动检测视网膜图像在糖尿病视网膜病变（DR）筛查中是否是“可识别的”。然而，它们的分类精度会随着输入图像从其训练分布的分布偏移而降低。此外，即使输入不是视网膜图像，标准DR分类器也产生图像是“可识别的”的高置信度预测。我们提出了一个基于Dirichlet先验网络的框架来解决这个问题。它利用分布外（OOD）检测器模型和DR分类模型，通过识别OOD图像来提高泛化能力。在真实世界数据集上的实验表明，该框架可以消除未知的非视网膜图像和识别分布移位的视网膜图像的人为干预。
2021-07-25 cs.AI cs.CV cs.LG
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。
2021-06-30 cs.CV eess.IV
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。
2022-11-21 cs.CV cs.LG eess.IV
Uncertainty-Aware Last-Layer Adaptation of RETFound for Referable Diabetic Retinopathy Screening Under Dataset Shift
University of Colorado Boulder（科罗拉多大学博尔德分校）
用RETFound对糖尿病视网膜病变筛查的不确定性感知最后一层自适应进行以安全为中心的实证评估，比较多种方法，在APTOS上不确定性感知操作点改善了敏感性等，在DDR上结果有差异，强调安全评估的价值。
2026-07-07 cs.CV cs.LG
Diabetic Retinopathy Detection via Deep Convolutional Networks for Discriminative Localization and Visual Explanation
GE Global Research（通用电气全球研究中心）
我们提出了一种用于可解释的糖尿病视网膜病变（DR）检测的深度学习方法。通过在卷积网络（CNN）的全局平均池化层之后添加回归激活图（RAM），实现了所提出方法的视觉可解释特征。利用RAM，该模型可以定位视网膜图像的判别区域，以显示特定的感兴趣区域的严重程度。我们相信，所提出的深度学习模型的这一优势对于DR检测是非常理想的，因为在实践中，用户不仅对高预测性能感兴趣，而且还热衷于了解DR检测的见解以及所采用的学习模型的工作原理。在大规模的视网膜图像数据集上进行的实验中，我们表明，所提出的CNN模型可以实现高性能的DR检测相比，国家的最先进的，同时实现的优点，提供RAM突出输入图像的显着区域。
2019-12-02 cs.CV cs.LG cs.NE
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。
2026-02-10 cs.CV eess.IV
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。
2020-09-01 cs.CV eess.IV
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。
2020-07-31 cs.CV eess.IV
Two Eyes Are Better Than One: Exploiting Binocular Correlation for Diabetic Retinopathy Severity Grading
Institute for Infocomm Research (I2R), Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局资讯通信研究院）；National University of Singapore（新加坡国立大学）
糖尿病视网膜病变（DR）是糖尿病患者中最常见的眼部疾病之一。然而，视力丧失主要发生在DR的晚期阶段，并且视力损害的症状从轻度到重度可以变化很大，增加了临床实践中的诊断和治疗负担。基于视网膜图像的深度学习方法在自动DR分级方面取得了显著的成功，但大多数方法忽略了糖尿病的存在通常会影响双眼，眼科医生通常会同时比较双眼进行DR诊断，从而使左眼和右眼之间的相关性未被利用。在这项研究中，模拟诊断过程，我们提出了一个双流双目网络来捕捉左右眼之间的微妙相关性，其中，成对的眼睛图像在训练过程中分别输入到两个相同的子网络。我们设计了一个对比度分级损失来学习五类DR检测的双目相关性，它最大限度地提高了类间差异，同时最小化了类内差异。EyePACS数据集上的实验结果表明，所提出的双目模型的优越性，优于单目方法的大幅度。
2021-08-15 cs.AI cs.CV eess.IV
Source-free Active Domain Adaptation for Diabetic Retinopathy Grading Based on Ultra-wide-field Fundus Image
Southwest University（西南大学）；Taiyuan University（太原学院）；Taiyuan University of Technology（太原理工大学）；Shanxi Eye Hospital（山西省眼科医院）；Nanjing University of Information Science and Technology（南京信息工程大学）
本文提出无源主动域自适应方法SFADA，通过演化DR关系生成特征、局部表示匹配主动选样标注及病灶原型自适应，在超广角眼底图像DR分级上准确率达85.36%，较基线提升20.9%。
2023-09-19 cs.CV cs.LG
Managing Diabetic Retinopathy with Deep Learning: A Data Centric Overview
Indian Statistical Institute（印度统计研究所）；Dr. Mohan’s Diabetes Specialties Centre（莫汉博士糖尿病专科中心）；Madras Diabetes Research Foundation（马德拉斯糖尿病研究基金会）
本文综述了用于糖尿病视网膜病变管理的视网膜图像数据集，分析其在二分类、严重程度分级、病变定位和多病种筛查中的适用性，并提出未来数据集开发的建议。
2026-04-02 cs.AI cs.CV eess.IV
Performance of a deep learning system for detection of referable diabetic retinopathy in real clinical settings
Ramón y Cajal University Hospital（拉蒙·卡哈尔大学医院）；Ramón y Cajal Health Research Institute (IRYCIS)（拉蒙·卡哈尔健康研究所（IRYCIS））；University of Alcalá de Henares（阿尔卡拉·德·埃纳雷斯大学）；Thirona（Thirona公司）
背景资料：为了确定市售深度学习系统RetCAD v.1.3.1（荷兰奈梅亨Thirona）在三级医院筛查计划的常规临床实践期间采集的彩色眼底图像数据集上自动检测可诊断糖尿病视网膜病变（DR）的能力，分析结合这种基于人工智能的技术可以减少的工作量。研究方法：该软件的评估是在2019年2月至12月期间参加我们筛查项目的3189名糖尿病患者的6325只眼睛的7195张非散瞳眼底图像数据集上进行的。该软件为每个彩色眼底图像生成DR严重程度评分，该评分被组合成眼睛水平评分。然后将该评分与由人类专家使用受试者工作特征（ROC）曲线分析设定的参考标准进行比较。结果如下：人工智能（AI）软件检测可诊断DR的ROC曲线下面积（AUC）值为0.988 [0.981：0.993]。在建议的操作点，RetCAD软件对DR的灵敏度为90.53%，特异性为97.13%。工作量减少了96%，但代价是只有6个假阴性。结论：人工智能软件正确识别了绝大多数可识别的DR病例，减少了96%需要检查的病例的工作量，同时几乎没有遗漏任何真正的病例，因此它可以用作分诊工具。
2022-05-11 cs.CV cs.LG eess.IV
Benchmarking Bayesian Deep Learning on Diabetic Retinopathy Detection Tasks
University of Oxford（牛津大学）；Google Research（谷歌研究院）
贝叶斯深度学习旨在为深度神经网络提供精确量化其预测不确定性的能力，并承诺使深度学习在安全关键的现实世界应用中更加可靠。然而，现有的贝叶斯深度学习方法没有达到这一承诺;新方法继续在不切实际的测试平台上进行评估，这些测试平台没有反映下游现实任务的复杂性，而这些任务将从可靠的不确定性量化中受益最多。我们提出了RETINA基准，一组真实世界的任务，准确地反映了这种复杂性，旨在评估预测模型在安全关键场景中的可靠性。具体来说，我们策划了两个公开可用的高分辨率人类视网膜图像数据集，这些图像表现出不同程度的糖尿病视网膜病变，这是一种可能导致失明的医疗状况，并使用它们来设计一套需要可靠的预测不确定性量化的自动诊断任务。我们使用这些任务来对基于特定任务的评估指标的成熟和最先进的贝叶斯深度学习方法进行基准测试。我们提供易于使用的代码库，可根据可重复性和软件设计原则进行快速轻松的基准测试。我们提供了基准测试中包含的所有方法的实现，以及在100个TPU天，20个GPU天，400个超参数配置和至少6个随机种子上计算的结果。
2022-11-23 cs.AI cs.CV cs.LG
Advances in Computer-Aided Diagnosis of Diabetic Retinopathy
Department of Computer Science & Engineering, Priyadarshini Institute of Engineering & Technology（普里达尔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严重的健康问题，影响全球1亿人，预计这些数字将上升，特别是在亚洲。糖尿病视网膜病变是一种慢性眼病，可导致不可逆的视力丧失。考虑到视网膜图像的视觉复杂性，糖尿病视网膜病变的早期诊断对于人类专家来说可能具有挑战性。然而，早期发现糖尿病视网膜病变可以显著帮助避免永久性视力丧失。计算机辅助检测系统准确有效地检测糖尿病视网膜病变的能力在研究人员中得到了推广。在这篇综述论文中，在PubMed、Google Scholar、IEEE Explorer上进行了文献检索，重点是使用机器学习或深度学习算法进行糖尿病视网膜病变的计算机辅助检测。此外，本研究亦探讨糖尿病视网膜病变电脑辅助诊断的典型方法。本文旨在指导研究人员了解当前方法的局限性，并确定该领域的具体领域，以促进未来的研究。
2019-09-21 cs.CV
Deep Learning based Early Detection and Grading of Diabetic Retinopathy Using Retinal Fundus Images
Manarat International University（玛纳拉特国际大学）；Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）
糖尿病视网膜病变（DR）是一种不断恶化的疾病，是视力受损和失明的主要原因之一。不同等级之间的细微差别和许多重要小特征的存在使得识别任务非常具有挑战性。此外，目前的视网膜病变检测方法是一项非常费力和耗时的任务，这在很大程度上依赖于医生的技能。糖尿病视网膜病变的自动检测对于解决这些问题至关重要。糖尿病视网膜病变的早期检测对于诊断也非常重要，通过适当的治疗可以防止失明。在本文中，我们开发了一种新的深度卷积神经网络，它通过识别所有微动脉瘤（MA）（DR的第一个迹象）以及正确分配标签到视网膜眼底图像（分为五类）来进行早期检测。我们已经在最大的公开可用的Kaggle糖尿病视网膜病变数据集上测试了我们的网络，并实现了0.851的二次加权kappa评分和0.844的AUC评分，这在严重程度分级方面达到了最先进的性能。在早期检测中，我们已经达到了98%的灵敏度和94%以上的特异性，这证明了我们提出的方法的有效性。我们提出的架构是在同一时间非常简单和有效的计算时间和空间方面的关注。
2018-12-27 cs.CV
PerceptronCARE: A Deep Learning-Based Intelligent Teleophthalmology Application for Diabetic Retinopathy Diagnosis
Ghana Communication Technology University（加纳通信技术大学）；C K Tedam University（C K 特丹姆大学）；Public Utilities Regulatory Commission（公用事业监管委员会）
本研究提出PerceptronCARE，一种基于深度学习的远程眼科应用，利用多种卷积神经网络实现糖尿病视网膜病变的自动检测，以85.4%的准确率实现实时筛查，并集成云扩展与多用户框架，助力偏远地区早期诊断。
2025-09-24 cs.CV
Neural Networks with Manifold Learning for Diabetic Retinopathy Detection
Rochester Institute of Technology（罗切斯特理工学院）；Drexel University（德雷塞尔大学）；University of Rochester（罗切斯特大学）
使用远程视网膜成像的广泛推广计划已被证明可以降低糖尿病视网膜病变的风险，糖尿病视网膜病变是美国失明的主要原因。然而，这一过程仍然需要由受过训练的人类分级者对图像质量进行人工验证和对图像的疾病等级进行分级，并且将继续受到缺乏这种稀缺资源的限制。视网膜图像的计算机辅助诊断最近在机器学习界获得了越来越多的关注。在本文中，我们介绍了一套神经网络糖尿病视网膜病变眼底视网膜图像分类。我们评估了所提出的分类器的效率，结合样本数据集上的预处理和增强步骤。我们的实验结果表明，神经网络结合预处理的图像可以提高分类精度在这个数据集上。此外，所提出的模型是可扩展的，可以用于大规模数据集的糖尿病视网膜病变检测。本文介绍的模型可以用来方便的诊断和加快检测过程。
2016-12-12 cs.CV
MTCSNN: Multi-task Clinical Siamese Neural Network for Diabetic Retinopathy Severity Prediction
糖尿病性视网膜病变（diabetic Retinopathy，DR）已成为导致工作年龄人群视力损害的主要原因之一，并且是全球范围内的严重问题。然而，大多数的作品忽略了标签的顺序信息。在这个项目中，我们提出了一个新的设计MTCSNN，一个多任务临床连体神经网络糖尿病视网膜病变的严重程度预测任务。该项目的新颖之处在于利用标签之间的顺序信息，并添加了一个新的回归任务，这可以帮助模型学习更多的区分特征嵌入，以实现细粒度分类任务。我们在RetinaMNIST上进行了全面的实验，将MTCSNN与ResNet-18，34，50等其他模型进行了比较。我们的研究结果表明，MTCSNN在测试数据集上的AUC和准确性方面优于基准模型。
2022-10-27 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
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
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
