本文提出了一种名为 “Lesion-Net” 的新型全卷积网络，通过像素级视网膜病变分割和图像级疾病分类相结合，解决了糖尿病性视网膜病变分级的三大挑战，即缺乏客观边界的病变、病变的临床重要性与其大小无关，以及病变和疾病类别之间缺乏一对一的对应关系。在一组包含 12K 张眼底图像和 8 种视网膜病变的手动标记数据集上进行了广泛实验，表明我们的方法在病变分割、病变分类和糖尿病性视网膜病变分级等多个任务上均优于现有方法。

Dec, 2019

利用语言线索将医学先验知识注入到视觉分割网络中，提出了一种自定义 SAM 用于文本提示的糖尿病视网膜病变分割的新框架 TP-DRSeg，实验结果表明该框架优于传统模型和基础模型变种。

Jun, 2024

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

本研究提出了一种结合深度学习和手工特征的方法用于红色病变检测，通过使用 ensemble vector of descriptors 融合两者可显著提高检测效果。这种方法在 DIARETDB1、e-ophtha 和 MESSIDOR 数据库中表现最好，并且已有开源实现。

Jun, 2017

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

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

RV-GAN 是一种新的多尺度生成式体系结构，用于精确定位和分割视网膜微血管结构，在像素级分割视网膜血管时具有优异的性能，该结构通过引入新的加权特征匹配损失来避免传统基于 GAN 的分割系统的保真度丢失。

Jan, 2021

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

本研究中，我们提出了一种轻量且高效的深度学习神经网络，具有双重多重残留连接来增强分割性能，同时最大限度地减少计算成本，并在八个公开可用的视网膜图像数据集上进行了评估，取得了有前途的分割结果，显示了该建议网络用于视网膜图像分析任务方面的有效性和其在实时视网膜图像分析应用方面的潜在候选性。

Jun, 2023