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
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
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
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
2022-07-09 cs.CV eess.IV
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
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
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
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 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
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。
2022-10-17 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
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
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
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
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
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
Cross Feature Fusion of Fundus Image and Generated Lesion Map for Referable Diabetic Retinopathy Classification
Sungkyunkwan University（成均馆大学）；College of Computing and Informatics, Sungkyunkwan University（成均馆大学计算与信息学院）；Dept. of Electrical and Computer Engineering, Sungkyunkwan University（成均馆大学电气与计算机工程系）
提出一种基于Swin U-Net分割病灶图与交叉注意力融合眼底图像和病灶图的分类方法，在FGADR和EyePACS数据集上达到94.6%准确率，超越现有方法4.4%。
2024-11-06 cs.AI cs.CV eess.IV
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
Advanced Segmentation of Diabetic Retinopathy Lesions Using DeepLabv3+
University of Monastir（莫纳斯提尔大学）；University of Tunis（突尼斯大学）；Faculty of Medicine of Monastir（莫纳斯提尔医学院）；Taher Sfar Mahdia Hospital（塔赫尔·斯法尔·马赫迪耶医院）
针对糖尿病视网膜病变病灶分割，本文提出按病灶类型分别进行二值分割并合并输出的方法，采用DeepLabv3+模型，结合特定预处理与数据增强，在IDRID数据集上达到99%准确率。
2025-04-24 cs.AI cs.CV
Explainable Fundus Image Curation and Lesion Detection in Diabetic Retinopathy
本文提出了一种可解释性视网膜图像质量控制框架，通过特征筛选、图像增强和标注一致性评估，提升糖尿病视网膜病变病变检测的准确性与可靠性。
2025-12-06 cs.AI cs.CV
Integrating Non-Linear Radon Transformation for Diabetic Retinopathy Grading
College of Science and Engineering, Hamad Bin Khalifa University（哈马德·本·哈利法大学科学与工程学院）
本文提出RadFuse框架，融合非线性RadEx变换的sinogram图像与传统眼底图像，增强糖尿病视网膜病变分级，在APTOS-2019和DDR数据集上显著提升性能。
2025-04-22 cs.AI cs.CV
An Ensemble-based System for Microaneurysm Detection and Diabetic Retinopathy Grading
University of Debrecen（德布勒森大学）
数字眼底图像中微动脉瘤的可靠检测仍然是医学图像处理中的一个悬而未决的问题。我们提出了一个基于集成的框架，以提高微动脉瘤检测。与考虑多个分类器的输出的众所周知的方法不同，我们提出了微动脉瘤检测器的内部组件的组合，即预处理方法和候选提取器。我们已经在在线竞赛中评估了我们的微动脉瘤检测方法，该算法目前在其他两个数据库中排名第一。由于微动脉瘤检测在糖尿病视网膜病变分级中具有决定性作用，因此我们还在公开可用的Messidor数据库上测试了该任务的拟议方法，其中基于微动脉瘤的存在或不存在，在“DR/非DR”型分类中实现了具有0.01不确定性的有希望的AUC 0.90。
2014-10-30 cs.AI cs.CV stat.AP
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
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
Discovery Radiomics with CLEAR-DR: Interpretable Computer Aided Diagnosis of Diabetic Retinopathy
University of Waterloo（滑铁卢大学）；University of Guelph（圭尔夫大学）；Canadian Institute of Advanced Research (CIFAR)（加拿大高等研究院）；Vector Institute（向量研究院）
目的：近年来，放射组学驱动的计算机辅助诊断（CAD）已显示出相当大的前景，作为一种潜在的工具，用于改善医学肿瘤学中的临床决策支持，特别是那些基于发现放射组学概念的工具，其中通过分析医学成像数据发现放射组学测序仪。当前CAD方法的主要限制之一是，很难获得关于如何做出决策的见解或理由，从而限制了它们对临床医生的效用。研究方法：在这项研究中，我们提出了CLEAR-DR，一种新的可解释的CAD系统的概念的基础上的类增强的注意反应发现放射组学的目的是糖尿病视网膜病变的临床决策支持。结果如下：除了通过发现的深度放射组测序仪进行疾病分级外，CLEAR-DR系统还对决策过程进行可视化解释，以更好地了解和理解系统的决策过程。结论：我们证明了建议的CLEAR-DR系统的有效性和实用性，提高了糖尿病视网膜病变分级应用的诊断分级结果的可解释性。重要性：CLEAR-DR可以作为一个潜在的强大工具，以解决当前CAD系统的不可解释性问题，从而提高其实用性的临床医生。
2017-10-29 cs.AI cs.CV cs.NE
A ResNet is All You Need? Modeling A Strong Baseline for Detecting Referable Diabetic Retinopathy in Fundus Images
PLADEMA Institute, UNICEN（国立中央布宜诺斯艾利斯省大学PLADEMA研究所）；Centro de Oftalmología Martínez（马丁内斯眼科中心）
深度学习是目前从彩色眼底照片（CFP）自动检测可诊断糖尿病视网膜病变（DR）的最先进技术。虽然普遍的兴趣是通过方法创新来改善结果，但与使用适当设置训练的标准深度分类模型相比，这些方法的性能如何尚不清楚。在本文中，我们建议基于简单和标准的ResNet-18架构为这项任务建模一个强大的基线。为此，我们在现有技术的基础上，通过使用标准预处理策略训练模型，但使用来自多个公共来源的图像和经验校准的数据增强设置。为了评估其性能，我们涵盖了多个临床相关的角度，包括图像和患者级DR筛查，通过输入质量和DR等级区分反应，评估模型不确定性并以定性方式分析其结果。除了精心设计的训练之外，没有其他方法上的创新，我们的ResNet模型在来自不同公共数据集的61007张测试图像的组合测试集上实现了AUC = 0.955（0.953 - 0.956），这与文献中报道的其他更复杂的深度学习模型一致甚至更好。从专门为此研究准备的两个独立的内部数据库中的480幅图像中获得了相似的AUC值，这强调了其泛化能力。这证实，如果经过适当的训练，标准网络仍然可以成为这项任务的强大基线。
2022-10-06 cs.CV cs.LG eess.IV
Conversion and Implementation of State-of-the-Art Deep Learning Algorithms for the Classification of Diabetic Retinopathy
Montclair State University（蒙特克莱尔州立大学）；Austin Peay State University（奥斯汀佩伊州立大学）
糖尿病视网膜病变（DR）是糖尿病患者出现的视网膜微血管疾病。DR将继续成为全球失明的主要原因，预计到2030年全球诊断患者将达到1.91亿。微动脉瘤、血管瘤、渗出物和棉絮斑是DR的常见体征。然而，它们可能很小，人眼很难检测到。DR的早期发现对于有效的临床治疗至关重要。现有的图像分类方法需要大量的时间进行特征提取和选择，并且其性能受到限制。卷积神经网络（CNN）作为一种新兴的深度学习方法，在图像分类任务中已经证明了其潜力。在本文中，实施国家的最先进的CNN的检测和分类的DR进行了全面的实验研究，以确定最好的性能分类器的任务。通过实验评估了五个CNN分类器，即Inception-V3，VGG 19，VGG 16，ResNet 50和InceptionResNetV 2。他们根据DR严重程度将医学图像分为五个不同的类别。由于带注释的医学图像是有限且不平衡的，因此应用数据增强和迁移学习技术。实验结果表明，ResNet 50分类器具有最好的性能，二进制分类和InceptionResNetV 2分类器具有最好的性能，多类DR分类。
2020-10-07 cs.AI cs.CV
Detecting Severity of Diabetic Retinopathy from Fundus Images: A Transformer Network-based Review
Northeastern University（东北大学）；IIT Patna（巴特那印度理工学院）；IIT Indore（印多尔印度理工学院）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61）
本文采用并微调基于Transformer的模型，从眼底图像中捕获关键特征以自动检测糖尿病视网膜病变严重程度，并在APTOS-2019数据集上验证了其有效性。
2024-06-08 cs.AI cs.CV
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
Diabetic Retinopathy Detection Based on Convolutional Neural Networks with SMOTE and CLAHE Techniques Applied to Fundus Images
Faculty of Computer Science, Universitas Dian Nuswantoro（迪南努斯万托罗大学计算机科学学院）；Universitas Indonesia（印度尼西亚大学）
本研究利用SMOTE和CLAHE技术处理眼底图像，结合卷积神经网络对糖尿病视网膜病变进行二分类和多分类检测，在APTOS 2019数据集上分别取得99.55%和95.26%的准确率，证明AI方法优于传统人工分析。
2025-04-08 cs.CV cs.LG eess.IV
Deep image mining for diabetic retinopathy screening
Inserm（法国国家健康与医学研究院）；Institut Mines-Telecom（法国国立高等矿业电信学校联盟）；Telecom Bretagne（布列塔尼电信学院）；Univ Bretagne Occidentale（西布列塔尼大学）；CHRU Brest（布雷斯特大学中心医院）
深度学习正迅速成为医学图像分析的领先方法。给定每个图像与诊断相关联的大型医疗档案，可以在几乎没有关于目标病理的专业知识的情况下训练有效的病理检测器或分类器。然而，深度学习算法，包括流行的ConvNets，都是黑盒子：人们对ConvNets分析的局部模式知之甚少，无法在图像层面做出决策。本文提出了一种解决方案来创建热图，显示图像中的哪些像素在图像级预测中起作用。换句话说，经过图像级分类训练的ConvNet也可以用于检测病变。为了训练产生高质量热图的ConvNet，提出了反向传播方法的泛化。所提出的解决方案被应用于糖尿病视网膜病变（DR）筛查，数据集中有来自2015年Kaggle糖尿病视网膜病变比赛的近90，000张眼底照片和近110，000张照片的私人数据集（e-ophtha）。对于检测可重复DR的任务，实现了非常好的检测性能：Kaggle数据集中的$A_z = 0.954$和e-ophtha中的$A_z = 0.949$。还在DiaretDB 1数据集中的图像水平和病变水平上评价了性能，其中手动分割了四种类型的病变：微动脉瘤、血管瘤、渗出液和棉絮斑。所提出的检测器优于最近训练的专门检测这些病变的算法，以及ConvNets的竞争热图生成算法。该探测器是用于移动眼部病理筛查的Messidor系统的一部分。由于它不依赖于专家知识或手动分割来检测相关模式，因此所提出的解决方案是一种有前途的…
2017-04-28 cs.CV
Comprehensive Evaluation of OCT-based Automated Segmentation of Retinal Layer, Fluid and Hyper-Reflective Foci: Impact on Clinical Assessment of Diabetic Retinopathy Severity
School of Engineering Science, Simon Fraser University（西蒙弗雷泽大学工程科学学院）；School of Medicine, Wake Forest University（威克森林大学医学院）；Sankara Nethralaya（萨卡拉眼科医院）；Department of Ophthalmology and Visual Sciences, The University of British Columbia（不列颠哥伦比亚大学眼科与视觉科学系）；School of Biomedical Engineering, The University of British Columbia（不列颠哥伦比亚大学生物医学工程学院）；Institute of Ophthalmology, University College London（伦敦大学学院眼科研究所）；Department of Medical Physics and Biomedical Engineering, University College London（伦敦大学学院医学物理与生物医学工程系）；Department of Computer Science, Memorial University of Newfoundland（新斯科舍纪念大学计算机科学系）
本研究提出基于主动学习的深度学习流程，利用U-Net等四种模型自动分割SD-OCT中的视网膜层、积液和高反射灶，发现SwinUNETR总体准确率最高，框架能减少人工标注并支持DR临床评估。
2025-07-13 cs.CV cs.LG eess.IV
Generalizing to Unseen Domains in Diabetic Retinopathy Classification
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文针对糖尿病视网膜病变分类中的领域泛化问题，提出一种基于预测软化机制实现视觉Transformer自蒸馏的简单有效方法，并在多源和单源设置下验证了其优于现有方法的性能和校准能力。
2023-10-27 cs.CV
Automated Quantification of Hyperreflective Foci in SD-OCT With Diabetic Retinopathy
本文提出一种基于形态学重建和分量树的自动量化算法，用于在SD-OCT图像中分割并量化高反射灶，并在NPDR、PDR和DME患者数据上验证了其有效性。
2024-07-31 cs.AI cs.CV
From Retinal Pixels to Patients: Evolution of Deep Learning Research in Diabetic Retinopathy Screening
Fraunhofer IAIS - Department of Media Engineering, Germany（弗劳恩霍夫研究所媒体工程部门）；University of Bonn - Department of Computer Science, Germany（波恩大学计算机科学系）；University Hospital Bonn - Department of Ophthalmology, Germany（波恩大学医院眼科部门）；Lamarr Institute for Machine Learning and Artificial Intelligence, Germany（拉马尔人工智能与机器学习研究所）
本文系统性综述2016-2025年糖尿病视网膜病变筛查的深度学习研究进展，梳理技术方法、现存挑战，提出可临床落地的DR AI发展路线，相关成果可推广至大规模医学影像领域。
2025-11-14 cs.AI 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
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
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
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
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
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
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
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
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。
2020-07-18 cs.CV cs.LG 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
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
