Диагностика диабетической ретинопатии на основе метода адаптивного доменного обучения глубокого обучения. Предложенная в данной статье модель переноса внимания домена микрополос состоит из двух основных модулей: модуля генерации изображений диабетической ретинопатии с учетом распространения шума, который позволяет создавать богатые и разнообразные образцы целевого домена для более всестороннего изучения особенностей целевого домена моделью; во-вторых, модель разработала модуль интеграции внимания многократных источников без источника, который позволяет объединять внимание нескольких предварительно обученных моделей в различных источниках без доступа к данным источника. Таким образом, экспериментальные результаты показали, что модель достигла точности 90,66%, точности 87,47%, чувствительности 85,41%, специфичности 91,63% и F1 86,42% в задаче диагностики диабетической ретинопатии с возможностью направления. Аналогичным образом, модель достигла точности 96,75%, точности 99,23%, чувствительности 90,47%, специфичности 99,27% и F1 94,65% в задаче идентификации нормальной / ненормальной ретины. Модель способна эффективно диагностировать диабетическую ретинопатию при отсутствии доступа к данным источника и в случае отсутствия меток образцов целевого домена.

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