本文提出了M-Net，这是一种深度学习架构，可以在一个多标签系统中联合解决视盘和视杯分割的问题，并使用极坐标变换进一步提高了分割性能。实验结果表明，所提出的方法在ORIGA数据集上取得了最先进的视盘和视杯分割效果，同时还在ORIGA数据集和SCES数据集上获得了令人满意的青光眼筛查表现。

Jan, 2018

本文介绍了一种新的自动青光眼筛查方法——深度学习技术，针对现有临床测量方法对于图像处理精度的过高依赖和对于多种视觉特征的忽视，提出一种名为DENet的深度感知集成网络，能够直接从眼底图像中筛查出青光眼。该方法将全局眼底图像和局部视神经盘区域的深层层次信息相结合，实现了四个深度流的处理，最终融合不同流的输出概率生成最终筛查结果。实验结果表明，该筛查方法与其他先进算法相比表现更优。

May, 2018

本文通过引入一种新的、基于补丁的输出空间对抗学习框架（pOSAL），从不同的视网膜图像数据集中联合、稳健地分割视乳头（OD）和杯状视网膜（OC），并通过对三个公共视网膜视网膜图像数据集的全面评估证明其有效性，特别是在Glaucoma Challenge竞赛中取得了OD和OC分割任务的第一名。

Feb, 2019

本文提出了一种无监督域自适应框架（称为边界和熵驱动的对抗学习（BEAL）），通过对抗性学习来改进靶域的光盘和杯分割性能，特别是在模糊边界区域。结果表明，我们的方法优于现有的无监督域适应方法。

Jun, 2019

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

本文提出了一种新的分割方法 UT-Net，结合了 U-Net 和 transformer，采用注意力机制，提高了对视网膜图像中视盘和视杯的分割准确度，并在三个数据集上验证了其优越性。

Mar, 2023

提出了一种名为RDR-Net的无监督领域自适应方法，用于对靶向不同医疗中心的视网膜图像进行光盘和光杯分割，其包括三个模块以缓解领域差距。经过在四个公共数据集上的评估，该方法在分割性能和泛化能力方面均优于竞争模型。

Apr, 2023

本文提出一个基于先验引导的多任务变压器框架 (JOINEDTrans) 用于实现视网膜象限的联合识别和视准线检测任务，并将其成功应用于公开数据集 GAMMA、REFUGE 和 PALM 中，明显优于现有的基于深度学习的图像分割和检测方法。

May, 2023

这篇论文介绍了一种用于诊断青光眼的联合OC和OD分割的EDDense-Net分割网络，该网络在图像中获取和传递空间信息的同时降低了网络的复杂性，并通过使用适当数量的滤波器减少了空间信息的损失，通过评估现有公开数据集上的表现，证明了该方法在准确性和效率方面优于现有的最先进方法。该方法可作为辅助医疗眼科医生的第二意见系统，用于青光眼的诊断和分析。

Aug, 2023

通过使用多伪标签噪声感知网络的创新标签去噪方法，本研究提出了准确识别光盘和杯子分割的方法，通过从伪标签中生成的像素级一致信息，提取干净像素和噪声像素之间的区别，有效改善了模型的性能。与其他标签去噪方法相比，在RIGA数据集上进行的全面实验结果显示本方法具有出色的性能和显著的去噪能力。

Nov, 2023