我们提出了一个使用注意力模块的有效金字塔通道注意力（EPCA）网络，用于基于眼底图像自动检测病理性近视（PM）。在三个数据集上的实验表明，我们的 EPCA-Net 在检测 PM 方面优于现有方法。此外，我们尝试了将预训练的自然图像模型适应为 PM 检测的方法，并通过与传统的微调方法相比较，在具有较少可调参数的情况下取得了有竞争力的性能。

Sep, 2023

近视黄斑变性是近视最常见的并发症，导致了病理性近视患者的视力损失，早期检测和及时治疗对预防近视黄斑病变引起的视力问题至关重要。本研究的关注点是近视黄斑病变分析挑战（MMAC），我们在任务 1 中使用对比学习框架 SimCLR 提高近视黄斑病变的分类准确性，通过有效捕捉无标签数据中丰富的特征。我们为任务 2 开发了独立的分割模型，针对不同的病变分割任务，并采用测试时增强策略进一步提高模型的性能。至于任务 3（球镜等效预测），我们根据数据集的数据分布设计了深度回归模型，并采用集成策略提高模型的预测准确性。我们取得的结果是令人期待的，并使我们在分类任务中位列前 6，在分割任务中位列前 2，在预测任务中位列第 1 位。

Jan, 2024

通过图像处理和深度学习神经网络分类相结合的方法，提出了一种先进的图像预处理技术来诊断青光眼。他们的 Glaucoma Automated Retinal Detection Network（GARDNet）在 Rotterdam EyePACS AIROGS 数据集上成功测试，AUC 为 0.92，在 RIM-ONE DL 数据集上进行了额外优化和测试，AUC 为 0.9308，表现优于现有技术。

May, 2022

本研究通过建立包含 8 种常见眼疾的数据集，使用深度神经网络进行多疾病分类的实验，发现提高网络规模不能为多疾病分类带来好结果，需要采用良好结构的特征融合方法。

Feb, 2021

我们提出了一个通用的无监督机器学习框架，可以处理不同的未标记的眼底图像，达到了超过现有监督方法的 AUC，并且甚至超过了单个人类专家的表现。此外，我们的模型在来自不同地区、种族和多台相机或设备的异构图像源或质量的各种数据集上都适应良好。我们的方法提供了一个无需标签的通用框架来诊断眼底疾病，这可能有利于早期筛查视力受损风险的远程医疗计划。

Apr, 2024

提出了一种利用非配对的眼底图像增强光学相干断层扫描模型的新方法，用于眼底疾病分类，实验结果证明该方法优于单模态、多模态和最先进的蒸馏方法。

Aug, 2023

通过深度学习，我们开发了一种自动定位和量化眼底照片中的视盘苍白的软件，并发现了视盘苍白测量与 pRNFL 厚度之间的关联性。

Nov, 2023

在医学影像领域，由于隐私限制导致大规模数据集的稀缺性成为开发大型医学模型的重要障碍。为解决这个问题，我们引入了 SynFundus-1M，这是一个高质量的合成数据集，包含超过 100 万张视网膜底部图像以及详尽的疾病和病理学注释。SynFundus-1M 是由去噪扩散概率模型生成的，并且 SynFundus-Generator 和 SynFundus-1M 在主流公开真实数据集上的优秀 Frechet Inception Distance（FID）分数超过了现有方法。此外，眼科医生的评估验证了辨别这些合成图像与真实图像的困难程度，进一步证实了 SynFundus-1M 的真实性。通过大量实验证明，卷积神经网络（CNN）和视觉转换器（ViT）都可以从 SynFundus-1M 的预训练或直接训练中获益。相比 ImageNet 或 EyePACS 等数据集，使用 SynFundus-1M 训练的模型不仅在各种下游任务上表现更好，并且收敛速度更快。

Dec, 2023

本文提出了一种针对糖尿病患者眼底图像的叠加方法，该方法在空间和时间上完全自动化，并对图像间的颜色变异和相机变化具有鲁棒性，其中包括纵向分析队列公共卫生数据库所有步骤都设计为大约每年进行视网膜检查。该方法在模拟拼贴图和公共卫生数据库的两种图像集上进行了验证，结果优于两种先进的方法。

Jul, 2016

糖尿病性视网膜病变是糖尿病患者常见的眼睛并发症，通过眼底检查诊断。该论文提出了一种检测糖尿病病变程度的方法，包括数据预处理、图像分割和集成分类器的应用，并评估系统的可信度。

Jul, 2023