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

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

本研究旨在开发一个增强型深度学习模型，用于诊断糖尿病视网膜病变，从而实现早期的 DR 识别和病变的检测。该模型将从视网膜图像中检测出各种病变，首先从视网膜底部图像中提取特征并进行分类，然后使用 EDLM 进行降维，并使用随机梯度下降优化器对分类和特征提取过程进行优化。在 KAG GLE 数据集上对 EDLM 的有效性进行了评估，并与 VGG16、VGG19、RESNET18、RESNET34 和 RESNET50 进行了比较。

May, 2023

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

应用人工智能技术于医疗市场在及时诊断类似糖尿病视网膜病变这类悄无声息的疾病方面引发了日益关注，我们通过提出一种新型的卷积神经网络模型，借助眼底图像作为输入，可以识别到糖尿病视网膜病变的严重程度，并通过卷积层对微小动脉瘤、棉絮斑、渗出物和出血等四种已知视网膜病变特征进行分类，能够提供准确的诊断结果并且不需要额外用户输入，我们提供了初步结果表明灵敏度为 97% 准确性为 71%，我们的贡献在于提供了一种可解释性更强且与更复杂模型具有相似准确性的模型，我们的模型推动了糖尿病视网膜病变检测领域的发展，是向以人工智能为重点的医学诊断迈进的重要一步。

Oct, 2023

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

糖尿病性视网膜病变的早期检测可以降低疾病风险和严重程度。本文开发了一个完全准确的基于机器学习模型的糖尿病性视网膜病变检测方法，利用迁移学习和数据增强等技术实现了 100% 的准确率、精确度、召回率和 F-1 分数。

Jun, 2023

通过使用深度学习和迁移学习技术，本研究提出了一种新的诊断糖尿病视网膜病变的方法，与传统的诊断方法相比，具有更高的准确性，对于早期的诊断、治疗和预防失明至关重要。

Jan, 2024

本研究针对视网膜疾病治疗方案提出一种基于人工智能的方法，旨在帮助眼科医生提高诊断效率和准确性。该方法包括深度神经网络模型、视网膜疾病自动诊断和临床描述生成器、DNN 可视化解释模块，并提供基于眼科医生手动标注的视网膜图像数据集进行训练和验证。实验结果表明，该方法无论是定量还是定性分析都取得了显著的效果，并成功生成了有临床意义的视网膜图像描述和可视化解释。

Nov, 2020