该研究使用光学相干断层扫描血管造影技术（OCTA）对糖尿病视网膜病变进行自动评估，通过优化的二维摘要和分类流程，提供了比三维分类更好、更易解释的结果。

Jan, 2024

通过结合超广角彩色眼底照相和光学相干断层扫描血管造影成像技术，该研究提出了一种新的多模态方法，显著增强了糖尿病视网膜病变的分类性能，有望帮助更准确地早期检测糖尿病视网膜病变，改善患者的临床预后。

Oct, 2023

该研究介绍了一种新型的超广角光学相干断层扫描血流成像技术（UW-OCTA），并提出了一种跨模态融合框架，可以利用多模态信息诊断多种疾病。通过构建 M3OCTA 数据集，该方法在固定和可变模态设置下证明了其有效性和卓越性能，旨在推动眼科图像分析领域的研究。

Nov, 2023

该研究使用光学相干断层扫描（OCT）技术，建立了一个开放数据集（OCTDL），其中包含 1600 多幅高分辨率 OCT 图像，针对疾病组和视网膜病理进行了标记。通过应用深度学习分类技术，对该数据集进行了疾病分类的研究。

Dec, 2023

本研究对视网膜光学相干断层扫描技术与深度学习算法在阿尔茨海默病和认知损害的自动化诊断方面的应用进行了系统性综述，发现开放的阿尔茨海默病相关光学相干断层扫描数据集的不足是制约该领域进展的主要问题。

Sep, 2022

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

本文提出了一种基于多任务学习的新型 OCTA 分割方法 (OCTA-MTL)，利用图像到 DT（距离变换）分支和自适应损失组合策略，该方法在 ROSE-2 数据集上表现出卓越的分割性能，相对于两种基线方法：单任务分割方法和使用固定损失组合的多任务分割方法。

Nov, 2023

采用基于空间殖民化的仿真方法和三个对比适应管道，以更快、更真实地合成 OCTA，表现出优异的性能，能更好地补足深度学习方法不足。

Jun, 2023

通过高质量的 DR 像素级注释数据集（TJDR），本文研究了用于糖尿病视网膜病变（DR）分级的人工智能的有效性，以及通过准确的病变分割增强 DR 分级解释性的研究进展，而这一研究进展面临着像素级注释 DR 数据集稀缺的严重阻碍。

Dec, 2023