我们提出了一种深度学习的方法来解释糖尿病视网膜病变（DR）的检测，该方法通过在卷积神经网络（CNN）的全局平均池化层之后添加回归激活映射（RAM）来实现可视化解释的特征。在使用RAM的情况下，该模型可以将视网膜图像的判别区域定位到显示感兴趣的特定区域，进而显示其疾病程度。在对大规模视网膜图像数据集进行实验的过程中，我们表明所提出的CNN模型与现有最先进技术相比，可以在DR检测上实现高性能，同时提供RAM突出显示输入图像的显著区域。

Mar, 2017

提出了一种卷积神经网络算法，可同时诊断糖尿病视网膜病变并突出可疑区域。这个算法命名为Zoom-in-Net，通过聚类响应高的关注区域，发现包含潜在病变的显著聚类，并且很好地定位了自动学习的关注图中的病变。实验证明，该算法在两个数据集上的表现优于现有方法。

Jun, 2017

本文研究使用卷积神经网络对糖尿病视网膜病变进行图像级别的诊断，证明其在医学影像分析方面具有较高准确度。

Jun, 2017

本文使用转换器学习模型，结合视网膜图像的关键特征，对眼底照片进行深入理解，以达到对糖尿病视网膜病变严重程度的自动化评估。实验结果表明，基于转换器的模型在公开数据集上表现出极高的可行性。

Jan, 2023

通过卷积神经网络对糖尿病视网膜病变图像进行自动化检测和特征提取，利用这些特征在机器学习分类器中建立模型，提高检测及诊断水平。

Apr, 2023

应用人工智能技术于医疗市场在及时诊断类似糖尿病视网膜病变这类悄无声息的疾病方面引发了日益关注，我们通过提出一种新型的卷积神经网络模型，借助眼底图像作为输入，可以识别到糖尿病视网膜病变的严重程度，并通过卷积层对微小动脉瘤、棉絮斑、渗出物和出血等四种已知视网膜病变特征进行分类，能够提供准确的诊断结果并且不需要额外用户输入，我们提供了初步结果表明灵敏度为97%准确性为71%，我们的贡献在于提供了一种可解释性更强且与更复杂模型具有相似准确性的模型，我们的模型推动了糖尿病视网膜病变检测领域的发展，是向以人工智能为重点的医学诊断迈进的重要一步。

Oct, 2023

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

通过使用深度学习和迁移学习技术，本研究提出了一种新的诊断糖尿病视网膜病变的方法，与传统的诊断方法相比，具有更高的准确性，对于早期的诊断、治疗和预防失明至关重要。

Jan, 2024

我们的研究聚焦于通过检查眼底图像中的视网膜血管进行疾病的早期诊断。我们利用八个预训练的CNN模型进行基于深度学习的分类，同时应用了可解释的AI技术，如Grad-CAM、Grad-CAM++、Score-CAM、Faster Score-CAM和Layer CAM。通过对多个模型进行评估，我们发现ResNet101具有最高的准确率（94.17%），而EfficientNetB0的准确率最低（88.33%）。对于图像分割，Swin-Unet表现出86.19%的平均像素准确率，而Attention U-Net基于DenseNet201的准确率最低（75.87%）。

May, 2024

本研究解决了医疗数据通用人工智能模型缺乏有效性的问题，开发了一个眼底特定的预训练模型，专注于检测眼底图像中的异常。该模型在多个下游任务中表现出优越的性能，显著提升了深度学习模型在眼底成像领域的效率和准确性。

Aug, 2024