糖尿病视网膜病变（DR）是糖尿病引起的严重视力损害风险。我们提出了一个新颖的框架，其中来自不同领域的配对数据的表示被解耦为语义特征和领域噪声，以生成与临床需求对齐的增强表示，最终通过使用类和领域原型进行插值来改善解耦表示的鲁棒性，以及通过数据感知加权函数来关注罕见类别和领域。通过多个基准测试上的实验结果证明了我们方法在未知领域上的有效性。

Jun, 2024

通过利用 ViT 中的预测软化机制实现视觉转换器自我蒸馏，我们提出了一种简单而有效的领域泛化方法，用于自动糖尿病视网膜病变分类。通过在具有不同 ViT 骨干结构的多源和单源 DG 设置下进行广泛的实验，我们证明了我们的方法在 DR 分类中的有效性和适用性，并展示出比其他方法更好的校准性能，适用于包括医疗保健在内的安全关键应用。希望我们的贡献能够推动医学影像社区更多的 DG 研究。

Oct, 2023

通过探索变分自动编码器在眼底图像的潜在空间中解耦的内在能力，本研究旨在获取一种更强大适应不同 DR 数据集中遇到的领域转换的域不变表示方法，以提高该模型在广泛临床环境中的适用性，并证明其能够通过简单方法优于现有先进技术，挑战了对于 DR 分类高度复杂方法更优的普遍假设，强调了考虑简单方法并将其适应于医学图像的泛化任务的重要性。

Sep, 2023

糖尿病视网膜炎分级的关键在于深度学习，解决分布差异问题。

Jul, 2023

本文探讨无监督的跨域图像检索任务，提出了基于类簇对比学习和距离 - 距离损失的方法，无需外部监督，在 Office-Home 和 DomainNet 数据集上实验结果表明，我们的方法优于现有最先进方法。

Jul, 2022

本研究提出了一种新颖的无源主动域适应方法 (SFADA)，通过生成具有不断演化的 DR 关系特征的彩色眼底图像，通过局部表示匹配主动选择一些有价值的 UWF 眼底图像进行标注，并利用 DR 病变原型在 UWF 眼底图像上进行模型适应。实验结果表明，与基准方法相比，我们提出的 SFADA 在 DR 分级性能上达到了最先进的水平，准确率提高了 20.9%，加权 kappa 系数提高了 18.63%，分别达到了 85.36% 和 92.38%。这些研究结果显示了我们方法在实际临床实践中的潜力。

Sep, 2023

糖尿病视网膜病变是糖尿病的常见并发症，与视力丧失的显著风险相关。在这项研究中，我们提出了 DRStageNet，这是一个用于处理分布转换问题的深度学习模型，通过引入多源领域微调策略来提高 DR 分期算法的泛化性能，并展示了与其他基准模型的优越性能。

Dec, 2023

本文探讨了使用纵向自监督学习方法，从连续双眼底彩色照片图像中建模糖尿病视网膜病变疾病进程以及检测早期 DR 病情的变化，实验结果表明使用 LSSL 潜在空间编码 DR 进展的动态，可以取得更好的检测效果。

Sep, 2022

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

糖尿病视网膜病变（DR）是视力障碍的主要原因之一，需要早期检测和治疗。本文研究了糖尿病视网膜病变（DR）分类问题中跨域泛化的挑战，通过使用 CLIP 模型在不同领域和数据分布下进行转化学习，引入了一种名为 CoOpLVT 的多模态微调策略来增强上下文优化，实验结果表明该方法相较于基线模型提高了 1.8% 的 F1 分数，为 DR 分类的有效跨域泛化提供了希望。

Aug, 2023