Diagnose der diabetischen Retinopathie basierend auf der Methode des tiefen Lernens der domänenadaptiven Methode. Das in diesem Artikel vorgeschlagene Mikroflächen-Domänen-Aufmerksamkeitstransfermodell besteht aus zwei Hauptmodulen: dem Bildgenerierungsmodul für die diabetische Retinopathie basierend auf Rauschdiffusion, das es ermöglicht, reiche und vielfältige Stichproben des Zielbereichs für eine umfassendere Erforschung der merkmale des Zielbereichs durch das modell zu generieren; zweitens entwarf das modell ein integrationsmodul für die aufmerksamkeit von mehreren quellen ohne quelle, das es ermöglicht, die aufmerksamkeit mehrerer vorab trainierter modelle in mehreren quellen ohne zugriff auf die quellendaten zu integrieren. So zeigten die experimentellen ergebnisse, dass das modell eine genauigkeit von 90,66%, eine präzision von 87,47%, eine empfindlichkeit von 85,41%, eine spezifität von 91,63% und einen F1-wert von 86,42% in der aufgabe der diagnose der diabetischen retinopathie mit transfer erreichte. Ebenso erreichte das modell eine genauigkeit von 96,75%, eine präzision von 99,23%, eine empfindlichkeit von 90,47%, eine spezifität von 99,27% und einen F1-wert von 94,65% in der aufgabe der identifikation der normalen/anormalen Netzhaut. Das modell ist in der lage, die diabetische retinopathie effektiv zu diagnostizieren, ohne auf die quellendaten zuzugreifen und ohne kennzeichnung der zielbereichsproben.

Diabetic retinopathy;deep learning;source-free multi-domain adaptive;diffusion-enhanced domain-attention transfer learning