DeepSeeNet 是一种基于深度学习的系统，使用双眼 CFP 图像来自动分类患者的年龄相关性黄斑变性病情，并通过 AREDS 简化严重程度评分患者级别，并表现出比视网膜专家更高的分类精度和透明度。

Nov, 2018

验证了一种商用的深度学习系统在混合眼部疾病的彩色眼底图像中同时检测糖尿病视网膜病变和年龄相关性黄斑变性的性能，结果表明该系统表现与人类专家相当，可以成为眼科专家的快速可靠支持。

Mar, 2019

通过对大规模视网膜光学相干断层扫描图像进行深度学习，我们提出了一种基于对比学习的生物标志物提议系统来加速年龄相关性黄斑变性的生物标志物发现，此系统超越了已建立的临床分级系统所使用的标志物集合，为进一步发现新的预后性生物标志物提供了可能。

Mar, 2024

基于自动化框架的疾病检测辅助医生对眼科疾病的诊断，通过自适应对比度增强和 Gamma 校正提高眼底图像的质量，使用深度学习的 AMDNet23 系统结合卷积神经网络和短期与长期记忆自动检测老年性黄斑变性疾病。研究收集了来自多个来源的数据集，经过质量评估后应用于实验，结果表明该混合深度模型对 AMD 眼底疾病的检测具有优越性能。

Aug, 2023

近视黄斑变性是近视最常见的并发症，导致了病理性近视患者的视力损失，早期检测和及时治疗对预防近视黄斑病变引起的视力问题至关重要。本研究的关注点是近视黄斑病变分析挑战（MMAC），我们在任务 1 中使用对比学习框架 SimCLR 提高近视黄斑病变的分类准确性，通过有效捕捉无标签数据中丰富的特征。我们为任务 2 开发了独立的分割模型，针对不同的病变分割任务，并采用测试时增强策略进一步提高模型的性能。至于任务 3（球镜等效预测），我们根据数据集的数据分布设计了深度回归模型，并采用集成策略提高模型的预测准确性。我们取得的结果是令人期待的，并使我们在分类任务中位列前 6，在分割任务中位列前 2，在预测任务中位列第 1 位。

Jan, 2024

本文介绍了一种深度学习方法，用于使用单个眼底视网膜图像检测和分级糖尿病视网膜病变，通过迁移学习利用两个先进的预训练模型作为特征提取器并在新数据集上进行微调，该方法在 APTOS 2019 数据集上表现出色，可用作可靠的筛查和分级工具，可增强临床决策和患者护理的潜力。

Aug, 2023

通过图像处理和深度学习神经网络分类相结合的方法，提出了一种先进的图像预处理技术来诊断青光眼。他们的 Glaucoma Automated Retinal Detection Network（GARDNet）在 Rotterdam EyePACS AIROGS 数据集上成功测试，AUC 为 0.92，在 RIM-ONE DL 数据集上进行了额外优化和测试，AUC 为 0.9308，表现优于现有技术。

May, 2022

该研究提出了一种基于卷积神经网络和预训练深度学习模型的计算机辅助诊断系统，用于自动将视网膜图像分类为正常、轻度、中度、重度和增殖性糖尿病视网膜病变。实验结果表明，CNN、MobileNet、VGG-16、InceptionV3 和 InceptionResNetV2 模型的 AUC 值分别为 0.50、0.70、0.53、0.63 和 0.69。

Mar, 2024

本研究提出了一种基于多模态输入的卷积神经网络自动分类年龄相关性黄斑变性的方法，并通过 Loose Pair 训练和类激活映射技术进行了优化，实验证明了该方法在多模态 AMD 分类方面的可行性。

Jul, 2019

本研究通过开发基于 U-Net 的 drusen 分割模型和量化分割不确定性，探究了利用不确定性进行精确定位的可行性并分析了分割准确度与不确定性之间的相关性，从而证明了在医学图像分析中利用不确定性来开发和解释分割模型的有效性。

Jan, 2021