Diagnóstico de la retinopatía diabética basado en el método de adaptación de dominio de aprendizaje profundo. El modelo de transferencia de atención de dominio de microfisuras propuesto en este artículo consta de dos módulos principales: el módulo de generación de imágenes de retinopatía diabética basado en la difusión del ruido, que permite generar muestras ricas y diversas del dominio objetivo para un estudio más completo de las características del dominio objetivo por parte del modelo; en segundo lugar, el modelo diseñó un módulo de integración de atención de múltiples fuentes sin fuente, que permite fusionar la atención de varios modelos pre-entrenados en múltiples fuentes sin acceder a los datos de origen. Así, los resultados experimentales mostraron que el modelo alcanzó una precisión del 90,66%, una precisión del 87,47%, una sensibilidad del 85,41%, una especificidad del 91,63% y una puntuación F1 del 86,42% en la tarea de diagnóstico de la retinopatía diabética con transferencia. Del mismo modo, el modelo logró una precisión del 96,75%, una precisión del 99,23%, una sensibilidad del 90,47%, una especificidad del 99,27% y una puntuación F1 del 94,65% en la tarea de identificación de la retina normal/anormal. El modelo es capaz de diagnosticar eficazmente la retinopatía diabética sin acceder a los datos de origen y en ausencia de etiquetado de muestras de dominio objetivo.

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