Для метода адаптации домена на основе глубокого обучения для диагностики диабетической ретинопатии, предложенная в данной статье модель диффузионного доменного внимания для переноса обучения состоит из двух основных модулей. Во-первых, модуль генерации изображений диабетической ретинопатии с вероятностным диффузионным шумоподавлением генерирует богатые и разнообразные образцы целевой области, способствуя более полному изучению признаков целевого домена. Во-вторых, разработан пассивный модуль интеграции внимания для нескольких доменов, который без доступа к данным исходного домена реализует взвешенное интегрирование внимания нескольких предварительно обученных моделей исходного домена, достигая хорошего баланса между специфическими признаками экземпляра и общими признаками домена. Экспериментальные результаты показали, что модель достигает точности 90.66%, точности (precision) 87.47%, чувствительности 85.41%, специфичности 91.63% и F1-меры 86.42% в задаче диагностики диабетической ретинопатии с возможностью обращения. При задаче распознавания нормальных/аномальных поражений сетчатки модель достигла точности 96.75%, точности 99.23%, чувствительности 90.47%, специфичности 99.27% и F1-меры 94.65%. Модель данной статьи способна эффективно диагностировать ретинопатии без доступа к данным исходного домена и без меток для образцов целевого домена.

диабетическая ретинопатия; глубокое обучение; пассивная мультидоменная адаптация; диффузионное доменное внимание для переноса обучения