通过成立 Retinal Fundus Glaucoma Challenge（REFUGE）公开了一个包含 1200 个图像的数据集，比现有最大的数据集都要大，提供了一个标准化的基准策略分析不同模型，挑战拥有 12 个资格的团队，其中两个排名最高的团队在青光眼分类任务中表现优于两个人类专家。

Oct, 2019

本文提出了一种无监督域自适应框架（称为边界和熵驱动的对抗学习（BEAL）），通过对抗性学习来改进靶域的光盘和杯分割性能，特别是在模糊边界区域。结果表明，我们的方法优于现有的无监督域适应方法。

Jun, 2019

本文通过引入一种新的、基于补丁的输出空间对抗学习框架（pOSAL），从不同的视网膜图像数据集中联合、稳健地分割视乳头（OD）和杯状视网膜（OC），并通过对三个公共视网膜视网膜图像数据集的全面评估证明其有效性，特别是在 Glaucoma Challenge 竞赛中取得了 OD 和 OC 分割任务的第一名。

Feb, 2019

提出了一种名为 RDR-Net 的无监督领域自适应方法，用于对靶向不同医疗中心的视网膜图像进行光盘和光杯分割，其包括三个模块以缓解领域差距。经过在四个公共数据集上的评估，该方法在分割性能和泛化能力方面均优于竞争模型。

Apr, 2023

本文提出了一种新的分割方法 UT-Net，结合了 U-Net 和 transformer，采用注意力机制，提高了对视网膜图像中视盘和视杯的分割准确度，并在三个数据集上验证了其优越性。

Mar, 2023

本文提出了 M-Net，这是一种深度学习架构，可以在一个多标签系统中联合解决视盘和视杯分割的问题，并使用极坐标变换进一步提高了分割性能。实验结果表明，所提出的方法在 ORIGA 数据集上取得了最先进的视盘和视杯分割效果，同时还在 ORIGA 数据集和 SCES 数据集上获得了令人满意的青光眼筛查表现。

Jan, 2018

我们提出了一种名为自适应特征融合神经网络 (AFNN) 的方法，用于未知领域的青光眼分割，该方法由三个模块组成：域适配器、特征融合网络和自监督多任务学习。我们的方法在四个公共青光眼数据集上取得了有竞争力的性能。

Apr, 2024

本研究提出了一种将血管分割网络集成到图像翻译任务中的方法，并通过扩展 CycleGAN 框架，将其插入到 UNet 视觉转换器生成器网络之前，以此来提高基于深度学习的多模式视网膜配准方法的训练数据集。我们重构了原始的恒等损失，以学习血管分割与真实图像之间的直接映射，并添加了分割损失项以确保伪图像与真实图像之间共享血管位置。实验结果表明，我们的方法外观逼真，且可以保留血管结构，从而为生成多模态训练数据进行图像配准奠定基础。

Jun, 2023

本文介绍了一种新的自动青光眼筛查方法 —— 深度学习技术，针对现有临床测量方法对于图像处理精度的过高依赖和对于多种视觉特征的忽视，提出一种名为 DENet 的深度感知集成网络，能够直接从眼底图像中筛查出青光眼。该方法将全局眼底图像和局部视神经盘区域的深层层次信息相结合，实现了四个深度流的处理，最终融合不同流的输出概率生成最终筛查结果。实验结果表明，该筛查方法与其他先进算法相比表现更优。

May, 2018

通过修改 cycleGAN 模型，将图像去噪问题视为高低噪声域之间的域转换问题，在未配对的视网膜光学相干断层扫描图像上学习这些域之间的映射。在定量和定性评估中，我们展示了这种方法优于其他已有方法，并且结果表明该网络能够区分图像中噪声水平的微小变化。模型的特征映射进一步表明其已学会区分视网膜层和其他不同区域的图像。

Oct, 2019