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

针对年龄相关黄斑变性（AMD）的深度学习模型通过多任务学习技术，将基于图像的 AMD 严重程度分级自动分类，并在两个图像数据集上的评估中表现优于当前的最先进模型超过 10%。

Dec, 2018

这项研究探讨了糖尿病视网膜病变（DR）这个潜在导致失明的糖尿病严重并发症。利用卷积神经网络（CNNs）进行迁移学习的提出的方法，通过一张眼底照片实现自动 DR 检测，在 APTOS 2019 获盲视检测竞赛中取得了高达 0.92546 的二次加权 Kappa 分数。研究回顾了关于 DR 检测的现有文献，从经典计算机视觉方法到深度学习方法，特别关注 CNNs。它发现了研究中的空白，强调了在整合预训练的大型语言模型和分割图像输入以生成建议和了解网络应用环境中的动态交互方面的不足。目标包括制定全面的 DR 检测方法、探索模型整合、通过竞赛排名评估性能、在 DR 检测方法方面做出显著贡献，并确定研究中的空白。该方法涉及数据预处理、数据增强以及使用 U-Net 神经网络架构进行分割。U-Net 模型有效地分割视网膜结构，包括血管、硬性和软性渗出物、出血、微血管瘤和眼盘。在 Jaccard 系数、F1 得分、召回率、精确率和准确度方面的高评价分数凸显了该模型在视网膜病理评估中提升诊断能力的潜力。这项研究的成果有望通过及时诊断和干预来改善糖尿病视网膜病变患者的预后，对医学图像分析领域做出重要贡献。

Jan, 2024

提出一种基于集成学习的方法，该方法利用多种视网膜图像处理算法提取的特征，如显微血管瘤、渗出物等部位及黄斑、视盘等解剖结构来筛查糖尿病视网膜病变。该方法在公开的 Messidor 数据库上测试取得了 90% 的敏感性，91% 的特异性和 90% 的准确性及 0.989 的 AUC 指标，表明视网膜图像处理是一种有效的糖尿病视网膜病变筛查方法。

Oct, 2014

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

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

该研究开发并验证了一个深度学习框架，可用于检测和定量光学相干断层扫描中的玻璃体下淀粉样物和网状假性玻璃体下淀粉样物，对于 AMD 的研究和临床诊断有帮助。

Apr, 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

描述了一种包括眼科学图像的处理和分析的自动糖尿病视网膜病变诊断方法，使用形态学算法来识别视盘和特征病变，通过神经网络和深度学习算法对眼科图像进行分析，提高疾病早期检测的效率。

Dec, 2023

该研究提出了一种多细胞多任务的卷积神经网络架构，可用于糖尿病视网膜病变的自动筛查，并在 Kaggle 数据集上表现出很好的成果。

Aug, 2018