Für die auf Deep Learning basierende Domänenanpassungsmethode zur Diagnose der diabetischen Retinopathie besteht das in diesem Artikel vorgeschlagene Diffusions-Domänen-Aufmerksamkeits-Transferlernmodell aus zwei Hauptmodulen. Zunächst erzeugt das Rauschunterdrückung-Diffusions-Wahrscheinlichkeitsmodul für diabetische Retinopathie-Bilder reichhaltige und vielfältige Zielbereichsproben, die das Modell dazu anregen, umfassendere Merkmale des Zielbereichs zu erlernen. Zweitens wurde ein quasipassives Multi-Domänen-Aufmerksamkeits-Integrationsmodul entwickelt, das ohne Zugriff auf Quelldomänendaten eine gewichtete Aufmerksamkeitsintegration mehrerer vortrainierter Quelldomänenmodelle durchführt und so ein gutes Gleichgewicht zwischen instanzspezifischen und bereichskonsistenten Merkmalen erzielt. Experimentelle Ergebnisse zeigen, dass das Modell in der auf Übertragung basierenden Diagnose von diabetischer Retinopathie eine Genauigkeit von 90,66 %, eine Präzision von 87,47 %, eine Sensitivität von 85,41 %, eine Spezifität von 91,63 % sowie einen F1-Wert von 86,42 % erreicht. Zudem erreicht das Modell bei der Unterscheidung normaler und anormaler Netzhautschäden eine Genauigkeit von 96,75 %, eine Präzision von 99,23 %, eine Sensitivität von 90,47 %, eine Spezifität von 99,27 % und einen F1-Wert von 94,65 %. Das Modell kann die Diagnose der Retinopathie effektiv durchführen, ohne auf Quelldaten zuzugreifen und ohne Beschriftungen für Zielbereichsproben zu benötigen.

diabetische Retinopathie; Deep Learning; quasipassive Multi-Domänen-Anpassung; Diffusions-Domänen-Aufmerksamkeits-Transferlernen