Diagnostic de la rétinopathie diabétique basé sur la méthode d'adaptation de domaine d'apprentissage en profondeur. Le modèle de transfert d'attention de domaine de micro-fissure proposé dans cet article se compose de deux modules principaux : le module de génération d'images de rétinopathie diabétique basé sur la diffusion du bruit, qui permet de générer des échantillons de domaine cible riches et diversifiés pour une étude plus complète des caractéristiques du domaine cible par le modèle ; deuxièmement, le modèle a conçu un module d'intégration d'attention à sources multiples sans source, qui permet de fusionner l'attention de plusieurs modèles pré-entraînés dans plusieurs sources sans accéder aux données sources. Ainsi, les résultats expérimentaux ont montré que le modèle a atteint une précision de 90,66%, une précision de 87,47%, une sensibilité de 85,41%, une spécificité de 91,63% et un score F1 de 86,42% dans la tâche de diagnostic de la rétinopathie diabétique avec transposition. De même, le modèle a atteint une précision de 96,75%, une précision de 99,23%, une sensibilité de 90,47%, une spécificité de 99,27% et un score F1 de 94,65% dans la tâche d'identification de la rétine normale/anormale. Le modèle est capable de diagnostiquer efficacement la rétinopathie diabétique sans accéder aux données source et en l'absence d'étiquetage des échantillons de domaine cible.

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