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%。
2024-10-30 cs.CV cs.LG eess.IV
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
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
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。
2024-03-13 cs.CV cs.LG eess.IV
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%。
2020-01-14 cs.CV cs.LG eess.IV
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。
2022-10-18 cs.CV cs.LG eess.IV
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%。
2020-11-30 cs.CV cs.LG eess.IV
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。
2024-08-13 cs.CV cs.LG eess.IV
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
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
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。
2022-03-09 cs.CV cs.LG eess.IV
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。
2024-09-19 cs.CV cs.LG eess.IV
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。
2023-10-16 cs.CV cs.LG eess.IV
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
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。
2022-04-01 cs.AI cs.CV cs.LG
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
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。
2019-10-26 cs.CV cs.LG eess.IV
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
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。
2023-04-05 cs.CV cs.LG eess.IV
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。
2021-08-19 cs.CV cs.LG eess.IV
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。
2020-12-23 cs.CV cs.LG eess.IV
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。
2021-07-01 cs.CV cs.LG eess.IV
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
Early Detection of Retinopathy of Prematurity (ROP) in Retinal Fundus Images Via Convolutional Neural Networks
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）
早产儿视网膜病变（ROP）是早产儿或低出生体重儿视网膜血管发育异常。ROP是全球婴儿失明的主要原因之一。ROP的早期检测对于减缓和避免由ROP引起的视力损害的进展至关重要。然而，即使在医疗专业人员中，对ROP的认识也有限。因此，ROP的数据集是有限的，如果有的话，并且在负图像和正图像之间的比率方面通常是极不平衡的。在这项研究中，我们制定了一个优化框架中的视网膜眼底图像检测ROP的问题，并应用最先进的卷积神经网络技术来解决这个问题。基于我们模型的实验结果实现了100%的灵敏度，96%的特异性，98%的准确性和96%的精确度。此外，我们的研究表明，随着网络的深入，可以提取更重要的特征，以便更好地理解ROP。
2020-06-12 cs.CV cs.LG eess.IV
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。
2019-07-01 cs.CV cs.LG eess.IV
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
A Comparative Study of Filters and Deep Learning Models to predict Diabetic Retinopathy
本研究旨在早期检测糖尿病视网膜病变，比较了InceptionNetV3等深度学习模型在灰度、高斯和Gabor等图像滤波器下的表现，发现高斯滤波器结合InceptionNetV3效果最佳，准确率达96%。
2024-01-09 cs.CV cs.LG eess.IV
DcardNet: Diabetic Retinopathy Classification at Multiple Levels Based on Structural and Angiographic Optical Coherence Tomography
Casey Eye Institute, Oregon Health & Science University（俄勒冈健康与科学大学凯西眼科研究所）；Department of Biomedical Engineering, Oregon Health & Science University（俄勒冈健康与科学大学生物医学工程系）
目的：光学相干断层扫描（OCT）及其血管造影（OCTA）对于糖尿病视网膜病变（DR）的早期检测和诊断具有若干优势。然而，尚未提出基于OCT和OCTA数据的自动化、完整的DR分类框架。在这项研究中，提出了一种基于卷积神经网络（CNN）的方法，使用正面OCT和OCTA来实现DR分类框架。方法：设计了一种具有自适应速率丢弃的密集连续连接神经网络（DcardNet）用于DR分类。此外，自适应标签平滑被提出并用于抑制过拟合。根据国际临床糖尿病视网膜病变量表，为每个病例生成三个单独的分类水平。在最高级别，网络将扫描分类为DR可诊断或不可诊断。第二级别将眼睛分类为非DR、非增殖性DR（NPDR）或增殖性DR（PDR）。最后一级将病例分类为无DR、轻度和中度NPDR、重度NPDR和PDR。结果：我们使用10%的数据进行10倍交叉验证来评估网络性能。三个水平的总体分类准确率分别为95.7%、85.0%和71.0%。结论/意义：一个可靠、敏感和特异的自动分类框架，用于转诊给眼科医生，可能是减少DR相关视力丧失的关键技术。
2020-09-24 cs.CV cs.LG eess.IV
Enhancing Diabetic Retinopathy Detection with CNN-Based Models: A Comparative Study of UNET and Stacked UNET Architectures
本研究比较UNET与堆叠UNET在APTOS数据集上检测糖尿病视网膜病变的性能，分别达到92.81%和93.32%的准确率，实现五级分类。
2025-01-20 cs.CV cs.LG eess.IV
Diabetic Retinopathy Detection using Ensemble Machine Learning
PSUT（约旦科技大学）；University of Petra（佩特拉大学）
糖尿病视网膜病变（DR）是糖尿病患者视力丧失的主要原因之一。DR是一种影响眼睛视网膜的微血管疾病，其导致血管阻塞，从而切断视网膜组织的主要营养来源。这种视觉障碍的治疗在其早期阶段被发现时是最有效的，因为严重的DR可能导致不可逆的失明。尽管如此，DR识别需要眼科医生的专业知识，这通常是昂贵和耗时的。因此，引进了自动检测系统，目的是促进识别过程，使其以具有时间和成本效益的方式在全球范围内提供。然而，由于有限的可靠的数据集和医疗记录，这种特殊的眼睛疾病，所获得的预测精度是相对不令人满意的眼科专家依靠他们作为诊断系统。因此，我们探索了一种基于集合的学习策略，将大量知名的分类算法合并到一个复杂的诊断模型中。该框架在该领域的所有其他常见分类算法中实现了最高的准确率。生成了4个子数据集，以包含由InfoGainEval选择的Messidor数据集的前5名和前10名特征。和WrapperSubsetEval.，InfoGainEval的准确率分别为70.7%和75.1%。前5名和原始数据集分别。结果表明子数据集的性能令人印象深刻，这显著有助于降低分类过程的复杂性
2021-06-22 cs.CV cs.LG eess.IV
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
Advances in Classifying the Stages of Diabetic Retinopathy Using Convolutional Neural Networks in Low Memory Edge Devices
SRM Institute of Science and Technology（SRM科学技术研究所）
糖尿病视网膜病变（DR）是一种严重的并发症，可导致视网膜血管损伤，是视力障碍和失明的主要原因之一。DR大致分为两个阶段-非增殖性（NPDR），其中除了少数微动脉瘤外几乎没有症状，以及增殖性（PDR），涉及大量微动脉瘤和血管瘤、软硬渗出物、新血管形成、黄斑缺血或这些的组合，使其更容易检测。更具体地说，DR通常分为5个级别，标记为0-4，从0表示无DR到4表示最严重。本文首先讨论了疾病的危险因素，然后调查了最近的文献，然后研究了某些技术，发现这些技术在提高预后准确性方面非常有效。最后，提出了一种卷积神经网络模型，用于在低内存边缘微控制器上检测DR的所有阶段。该模型的大小仅为5.9 MB，准确率和F1得分均为94%，推理速度约为每秒20帧。
2021-06-03 cs.CV cs.LG eess.IV
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。
2023-06-03 cs.CV eess.IV
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。
2020-07-27 cs.CV eess.IV
Diabetic Retinopathy Detection Using CNN with Residual Block with DCGAN
Bangladesh University of Engineering & Technology（孟加拉工程技术大学）
本文提出结合残差块 CNN 与 DCGAN 数据增强的糖尿病视网膜病变自动检测系统，可将视网膜图像分为五级，以提升泛化能力并支持大规模筛查。
2025-01-04 cs.CV cs.LG eess.IV
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%。
2025-04-23 cs.AI cs.CV cs.LG
Blindness (Diabetic Retinopathy) Severity Scale Detection
National Institute of Technology Karnataka（卡纳塔克邦国家技术研究所）
糖尿病视网膜病变（DR）是糖尿病的一种严重并发症，可导致永久性失明。DR的及时诊断和治疗对于避免视力完全丧失至关重要。手动诊断耗时且容易出错。在本文中，我们提出了一种新的基于深度学习的方法，用于视网膜眼底图像的自动筛选，以根据严重程度检测和分类DR。该方法使用深度神经网络的双路径配置来实现目标。在第一步中，使用修改后的基于UNet++的视网膜血管分割来创建眼底图像，该图像强调对识别DR阶段至关重要的出血、棉絮斑和渗出液等元素。随后，两个卷积神经网络（CNN）分类器分别将原始图像和新创建的眼底图像作为输入，并在0到4的范围内识别DR的严重程度。然后，这两个分数通过浅层神经网络分类器（ANN）来预测最终的DR阶段。公共数据集STARE、DRIVE、CHASE DB1和APTOS用于培训和评估。我们的方法达到了94.80%的准确率和二次加权Kappa（QWK）得分为0.9254，并优于许多国家的最先进的方法。
2021-10-04 cs.CV cs.LG eess.IV
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%。
2020-08-01 cs.CV eess.IV
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。
2022-12-21 cs.CV eess.IV
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。
2022-10-02 cs.CV eess.IV
A Multi-stage Transfer Learning Framework for Diabetic Retinopathy Grading on Small Data
College of Computer Science, Inner Mongolia University（内蒙古大学计算机学院）；Baotou Medical College（包头医学院）；The First Affiliated Hospital of Baotou Medical College（包头医学院第一附属医院）
针对小数据集中样本不足和类别不均衡问题，提出多阶段迁移学习框架并结合类别平衡损失函数，有效提升了糖尿病视网膜病变分级性能，在IDRiD数据集上准确率和二次加权kappa分别达0.7961和0.8763。
2023-05-24 cs.CV cs.LG eess.IV
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。
2021-07-17 cs.CV eess.IV
Novel Fundus Image Preprocessing for Retcam Images to Improve Deep Learning Classification of Retinopathy of Prematurity
McMaster University（麦克马斯特大学）；McMaster Hospital（麦克马斯特医院）；University of Calgary（卡尔加里大学）
本文针对 Retcam 早产儿视网膜病变图像质量差的问题，提出结合新型眼底预处理与预训练迁移学习的混合模型，在 Plus 病、ROP 分期和分区分类上取得优于传统方法的准确性。
2024-06-17 cs.CV cs.LG eess.IV
Universal Adversarial Framework to Improve Adversarial Robustness for Diabetic Retinopathy Detection
Indian Institute of Technology Patna（印度理工学院巴特那分校）
本研究针对糖尿病视网膜病变检测深度学习系统的对抗脆弱性问题，首次用多种通用对抗扰动攻击DR细粒度分类，并基于UAP微调模型防御攻击，在不显著降低正常数据性能的前提下提升了模型对抗鲁棒性。
2023-12-13 cs.CV cs.LG eess.IV
Multitasking Deep Learning Model for Detection of Five Stages of Diabetic Retinopathy
University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文提出了一种多任务深度学习模型，用于检测糖尿病视网膜病变（DR）的所有五个阶段，包括无DR、轻度DR、中度DR、重度DR和增殖性DR。该多任务模型由一个分类模型和一个回归模型组成，每个模型都有自己的损失函数。注意，较高的严重性级别通常出现在较低的严重性级别之后，通过连接分类和回归模型来考虑这种依赖性。回归模型学习阶段之间的相互依赖性，并输出与DR的严重性级别相对应的分数，对于较高的严重性级别生成较高的分数。在分别训练回归模型和分类模型后，将这两个模型提取的特征连接并输入到多层感知器网络中，对DR的五个阶段进行分类。开发了一种改进的挤压激励密集连接深度神经网络来实现这种多任务方法。然后，通过检查APTOS和EyePACS的两个大型Kaggle数据集，使用开发的多任务模型来检测DR的五个阶段。基于Xception网络的多任务迁移学习模型也被开发来评估所提出的方法，通过将DR分为五个阶段。结果发现，开发的模型实现了加权Kappa得分为0.90和0.88的APTOS和EyePACS数据集，分别高于任何现有的方法检测的五个阶段的DR
2021-03-06 cs.CV cs.LG eess.IV
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
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。
2019-11-04 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
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。
2021-08-13 cs.CV eess.IV
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。
2020-10-29 cs.AI cs.CV eess.IV
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。
2021-05-28 cs.CV eess.IV
Cross-Fundus Transformer for Multi-modal Diabetic Retinopathy Grading with Cataract
Academy for Engineering and Technology, Fudan University（复旦大学工程技术研究院）；School of Computer Science, Fudan University（复旦大学计算机科学技术学院）；Shanghai Eye Diseases Prevention & Treatment Center（上海眼病防治中心）；Shanghai Jiao Tong University School of Medicine（上海交通大学医学院）
该研究首次提出融合彩色与红外眼底图像的跨眼底Transformer双流框架，通过跨眼底注意力模块捕捉模态对应关系并结合多模态监督，提升了合并白内障的糖尿病视网膜病变分级精度，在1713对临床图像上验证了有效性。
2024-11-01 cs.AI cs.CV eess.IV
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。
2021-10-14 cs.CV eess.IV
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。
2026-01-13 cs.CV eess.IV
