RBAD: 视网膜血管分叉角度检测数据集与基准

本文介绍了一种深度学习方法，通过单个眼底图像检测和分级糖尿病视网膜病变，利用预训练模型进行特征提取和微调。

该方法在APTOS 2019数据集上表现出色，可作为可靠的筛查和分级工具，增强临床决策和患者护理的潜力。

提出了一种基于生物启发的多方向分析的视网膜血管提取方法，应用可逆向分数进行多方向分析。

使用生成式对抗训练生成精确的视网膜血管地图，以提高眼底图像中视网膜疾病的自动检测能力。

通过RRWNet模型，对视网膜血管进行分割和分类，有效纠正错误分类，提高拓扑一致性。

评估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，指出现有公共数据集的限制。

提出基于卷积神经网络的结构化预测模型，在DRIVE数据集上实现95.33%的准确率和0.974的AUC值。

研究两种自动化的血管定位方法，处理健康和病理性视网膜图像，结果表明这些方法与其他解决方案高度可比。

提出基于编码解码神经网络的全尺度微血管提取机制，取得了与之前研究相比具有竞争力的结果。