我们使用全局可解释性方法建立了一个多疾病的深度学习模型来检测超广角成像中的视网膜疾病，发现在这些图像中最重要的区域是后极区域，只利用后极区域周围 10% 的图像即可实现与使用整个图像相当的性能。

Mar, 2022

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

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

本文提出了一种基于标签效率自监督表示学习的方法，用于在跨域设置中对糖尿病视网膜病变图像进行分类。该方法使用来自源域数据集的先前学习，通过对比学习从未标记的源域数据集中学习的图像表示来对目标域数据集中的视网膜病变图像进行分类。实验结果表明，该方法在二分类和多分类中取得了最先进的结果，并优于现有的方法。

Apr, 2023

使用超广角（UWF）眼底成像进行近视筛查对眼科结果具有重要意义，通过提出一种增强 Copula 的双通道卷积神经网络（CNN）学习框架，我们设计了一种新颖的双通道多标签 CNN，可以实现联合预测多个临床评分并在近视评分预测中取得令人满意的性能，同时也提示了双通道模型向多通道范式的拓展和 OUCopula 在不同基础 CNN 模型中的普适性。

Mar, 2024

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

本研究开发了一种基于神经网络的自动化算法，识别常见的超广角眼底照相术图像伪影，具有潜在的用于提高疾病检测质量和效率的应用价值。

Jul, 2023

超宽视野眼底图像在近视相关并发症的筛查、检测、预测和治疗中取代传统眼底图像，其更广阔的视野范围对高度近视眼非常有优势。球等效度（SE）广泛被用作主要的近视结果测量指标，而眼轴长度（AL）作为一个重要的视觉组成部分越来越受到关注，用于评估近视。我们提出了一种通过高阶张量生物标志物建立多变量反应回归模型的统计框架，用于双变量的回归分类和回归回归任务，具体来说，我们提出了一种通过高斯胞联提高卷积神经网络（CeCNN）框架，通过一个估计自启动卷积神经网络的参数得到两个反应之间的依赖性，并使用由背景 CNN 产生的胞联似然损失。我们验证了提出的 CeCNN 在添加了依赖信息到背景模型之后具有更好的预测准确性。这种建模和提出的 CeCNN 算法不仅适用于超宽视野情境，还可以与 ResNet 和 LeNet 等其他骨干网络一起有效地应用。

Nov, 2023

通过引入因果分析中的双操作到模型架构中，本文提出了一种新颖的通用结构因果模型（SCM），用于分析视网膜成像中的假相关性，并在此基础上发展了一种名为 CauDR 的因果关联性糖尿病视网膜病变分级框架，以消除假相关性并实现更具普适性的糖尿病视网膜病变诊断。结果表明 CauDR 具有高效性和最新技术水平的表现。

Sep, 2023

利用基于补丁的主动领域适应方法改进了超广角扫描激光眼底镜成像中船体分割的准确性，在多个医疗中心的数据上验证了方法的有效性和鲁棒性，并构建了用于交叉中心评估的首个多中心超广角扫描激光眼底镜血管分割数据集。

Jun, 2024