本文在评估了三种高性能卷积神经网络在分割遗传性视网膜病变视网膜血管图像方面的性能后，得出结论，现有的公共数据集对帮助眼科医生诊断遗传性视网膜病变所需的高性能预测模型存在一定限制，需要更加详细的数据集或更深层的模型。

Jun, 2023

该研究提出了一种基于深度学习的新方法，通过 U-net 神经网络和边缘感知机制实现视网膜血管图像的血管分割，实验结果表明该方法在三个数据库上的表现可与现有的最先进方法相媲美，具有 97.99％的 AUC，并且运行时间更有效率。

Jun, 2018

本文提出了一种基于卷积神经网络的结构化预测模型，有效地解决了（DRIVE 数据集上）自动分割视网膜血管的任务，得到 95.33% 的准确率和 0.974 的 AUC 值。

Nov, 2016

本研究展示了一种使用生成式对抗训练的方法，用于生成精确的视网膜血管地图，它可以用于自动检测眼底图像中视网膜疾病。

Jun, 2017

本文提出了一种对比变分自编码器，可以过滤掉无关特征并合成一个名为深层血管造影的潜在图像来代表视网膜血管，并且通过简单阈值处理实现了更高的分割性能。这种合成网络的普适性得到了提高，可以在不同的目标领域生成稳定的血管造影，提供了一种良好的可视化方法，是荧光素血管造影的一个无创、安全的替代方法。

Jul, 2023

本文研究了两种自动化的血管定位方法，用于处理健康和不健康（病理性）视网膜图像，通过降低亮斑效应和使用多尺度线运算符定位线状血管结构来忽略黑斑病变。通过与现有解决方案的定量和定性比较，结果表明这些方法与其他解决方案高度可比。

Oct, 2023

利用眼底数字成像技术，通过主动学习构建了一个新的数据集，其中包含由医学生及眼科医师审查的 240 个手动分割的视网膜小动脉和小静脉，开发了一种名为 LUNet 的新型深度学习架构，用于高分辨率的动静脉分割，并证明 LUNet 在多个测试集上显著优于其他分割算法。

Sep, 2023

本研究提出了一种新颖的基于深度学习的血管分割系统，将图卷积网络与统一的 CNN 结构相结合，可以应用于扩展任何类型的基于 CNN 的血管分割方法，实验证明该方法在两个视网膜图像数据集以及冠状动脉 X 射线血管造影数据集上性能优于当前的最先进方法。

Jun, 2018

该论文描述了一种新的方法，结合使用 StyleGAN2 和 SA-Unet，用于在医学领域中进行视网膜血管分割的图像处理，旨在帮助医生更好地诊断眼部疾病，并解决小数据集分割问题。

Aug, 2023

该论文提出了一种快速、客观、准确的诊断与视网膜底层图像相关疾病的方法，采用多分类研究正常样本和 13 类疾病样本在 STARE 数据库上，测试集准确率达到 99.96%，并与其他研究相比取得了最高准确率。创新地提出 “基于分割的血管增强（SVE）” 方法，经比较深度学习模型在 SVE 图像、原始图像和平滑 Grad-CAM ++ 图像上的分类性能后，提取 SVE 图像的深度学习特征和传统特征并输入到九个元学习器进行分类，结果表明我们提出的 UNet-SVE-VGG-MLP 模型在 STARE 数据库上对与视网膜底层图像相关疾病的分类具有最佳性能，测试集的整体准确率达到 99.96%，14 个类别的加权 AUC 为 99.98%。该方法可实现视网膜底层图像相关疾病的快速、客观、准确的分类与诊断。

May, 2024