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

该研究提出了一种基于两阶段深度卷积神经网络的自动糖尿病视网膜病变分析算法，能够精确定位和识别图像中的病变类型，评估病变严重程度，并且引入了不平衡权重映射以更好地识别病变区域，实验结果表明该算法在 DR 检测和评分方面效果显著。

May, 2017

本文研究使用卷积神经网络对糖尿病视网膜病变进行图像级别的诊断，证明其在医学影像分析方面具有较高准确度。

Jun, 2017

本研究中，我们提出了一种轻量且高效的深度学习神经网络，具有双重多重残留连接来增强分割性能，同时最大限度地减少计算成本，并在八个公开可用的视网膜图像数据集上进行了评估，取得了有前途的分割结果，显示了该建议网络用于视网膜图像分析任务方面的有效性和其在实时视网膜图像分析应用方面的潜在候选性。

Jun, 2023

本研究提出了一种结合深度学习和手工特征的方法用于红色病变检测，通过使用 ensemble vector of descriptors 融合两者可显著提高检测效果。这种方法在 DIARETDB1、e-ophtha 和 MESSIDOR 数据库中表现最好，并且已有开源实现。

Jun, 2017

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

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

本文提出了利用 “热图” 显示出影响影像级别的预测性诊断的像素，同时应用于 90,000 张视网膜照片和 110,000 张照片的数据集中，与其他热图检测算法相比，表现出更好的检测性能。

Oct, 2016

提出了一种卷积神经网络算法，可同时诊断糖尿病视网膜病变并突出可疑区域。这个算法命名为 Zoom-in-Net，通过聚类响应高的关注区域，发现包含潜在病变的显著聚类，并且很好地定位了自动学习的关注图中的病变。实验证明，该算法在两个数据集上的表现优于现有方法。

Jun, 2017

通过对多个数据集进行对比研究，本文提出了使用随机权重平均、模型融合和集成等技术来提高模型泛化性能，并揭示了如何将粗粒度标记数据与细粒度数据集相结合以改善病变分割的洞见。

May, 2024