本研究提出DynSegNet，一种基于动态架构调整的对抗学习方法，用于从眼底图像中分割出血病灶。该方法优化特征融合，提升分割精度，解决了病灶形态变化大和边界模糊的问题，潜在改善眼科疾病的早期检测和治疗规划。

本研究提出了一种新的框架CELD，用于提高糖尿病视网膜病变在眼底图像中的识别能力。在有限标注数据下，该方法实现了91%的准确率，为早期检测眼科疾病提供了支持。

本研究提出了一种新型白内障眼底图像恢复方法Catintell，利用GAN结构生成真实风格的白内障样图像，显著提升图像质量，帮助医生更准确识别白内障患者的其他眼病。

本研究提出了一种半监督分割框架，用于早产儿视网膜病（ROP）诊断中的眼底图像分割，减少对手动标注的依赖。该模型结合不确定性加权和领域对抗学习，有效识别难以检测的血管结构，提升了分割精度和ROP分类的诊断准确性，展示了在儿科眼科的临床应用潜力。

本研究提出HRDecoder网络，旨在解决高分辨率眼底图像分割中的内存和性能问题。通过高分辨率表示学习和多尺度预测模块，显著提升了分割精度，同时合理利用内存和计算资源，保持快速推理速度。实验结果验证了该方法的有效性。

本研究提出了一种新的混合Transformer与CNN的U型架构TransUNext，旨在提高眼底图像中血管分割的效果。实验结果显示，该方法在公共数据集上的AUC值超过其他先进技术，展现出优异的自动血管分割性能。

本文探讨了深度学习模型在眼底图像分析中的应用，特别是视网膜疾病的检测。研究指出后极区域为关键区域，使用FLAIR模型和GFE-Net等技术可提高分类和分割准确性。对比不同模型后发现，ResNet101表现最佳，且图像质量对分割结果至关重要。此外，研究提出的预训练模型显著提升了检测效率和准确性。

研究团队成功构建了全球首个面向糖尿病诊疗的视觉-大语言模型集成系统DeepDR-LLM，融合了大语言模型和基于眼底图像的深度学习技术，为基层医生提供个性化的糖尿病管理意见及糖尿病视网膜病变辅助诊断结果。该系统在提高基层糖尿病管理和DR筛查水平方面具有潜力，为糖尿病智能治理提供了数字解决方案。

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，显著提升临床决策和患者护理。此外，提出了多方向分析的视网膜血管提取方法和生成式对抗训练生成视网膜血管地图，以提高眼部疾病的自动检测和早期预防能力。

FLAIR是一种用于医学图像分类的预训练视觉语言模型，尤其在少样本情况下表现优异。研究表明，FLAIR在眼底图像分类中优于传统方法，迁移学习能进一步提升性能。为解决医学数据稀缺问题，提出了包含超过100万张图像的SynFundus-1M合成数据集，显著改善了模型训练效果。此外，研究还探讨了多视角成像数据的利用，增强了模型的稳健性和准确性。

该文介绍了一种基于卷积神经网络的新型模型，可以通过眼底图像识别糖尿病视网膜病变的严重程度，并对四种已知视网膜病变特征进行分类，提供准确的诊断结果。该模型具有可解释性更强且与更复杂模型具有相似准确性的特点，初步结果表明灵敏度为97%，准确性为71%。

该研究提出了一种新的眼底图像无源主动域适应方法，可提高DR分级性能。实验结果表明，准确率提高了20.9%，加权kappa系数提高了18.63%。