Pour la méthode d'adaptation de domaine basée sur l'apprentissage profond pour le diagnostic de la rétinopathie diabétique, le modèle d'apprentissage par transfert avec attention de domaine diffus proposé dans cet article se compose de deux modules principaux. Premièrement, le module de génération d'images de rétinopathie diabétique par diffusion probabiliste débruitée génère des échantillons riches et diversifiés du domaine cible, permettant au modèle d'apprendre des caractéristiques plus complètes du domaine cible. Deuxièmement, un module d'intégration d'attention multi-domaines sans source a été conçu, réalisant une intégration pondérée de l'attention de plusieurs modèles pré-entraînés des domaines source sans accès aux données du domaine source, obtenant ainsi un bon équilibre entre les caractéristiques spécifiques à l'instance et les caractéristiques cohérentes du domaine. Les résultats expérimentaux montrent que le modèle atteint respectivement 90,66 % de précision globale, 87,47 % de précision, 85,41 % de sensibilité, 91,63 % de spécificité et 86,42 % de score F1 dans la tâche de diagnostic de la rétinopathie diabétique transférable. Par ailleurs, le modèle atteint 96,75 % de précision globale, 99,23 % de précision, 90,47 % de sensibilité, 99,27 % de spécificité et 94,65 % de score F1 dans la tâche de reconnaissance des lésions rétiniennes normales/anormales. Le modèle proposé dans cet article peut effectuer un diagnostic efficace de la rétinopathie sans accéder aux données du domaine source et sans étiquettes d'échantillons du domaine cible.

rétinopathie diabétique; apprentissage profond; adaptation multi-domaines sans source; apprentissage par transfert avec attention de domaine diffus