糖尿病视网膜病变：数据集、方法、评价指标和未来趋势的回顾

制作和主办：Elsevier沙特国王大学学报糖尿病视网膜病变的回顾：数据集、方法、评价指标和未来趋势Dimple Nagpala，S.N.Pandaa，Muthuyaran Malarvelb，Priyadarshini A Pattanaikc，Mohammad Zubair Khanda印度旁遮普邦Chitkara大学工程和技术研究所Chitkara大学b印度斯坦理工学院计算机科学与工程系c图像和信息处理部，IMT公司，LaTIM Inserm U1101 Brest 29238，法国d部沙特阿拉伯麦地那Taibah大学计算机科学工程学院计算机科学系阿提奇莱因福奥文章历史记录：收到2021年2021年6月1日修订2021年6月14日接受2021年6月22日在线提供保留字：糖尿病视网膜病变筛查DR的数据集未来趋势A B S T R A C T糖尿病视网膜病变（DR）是由于不受控制的糖尿病引起的疾病，可导致视力受损。它极大地影响了视网膜血管，并减少了眼底光敏内涂层。这种疾病的早期诊断和定期筛查对于通过人工智能技术进行及时处理至关重要本文旨在评估最新的DR筛查和诊断技术，包括94篇基于DR检测和分级的文章。对于每种分析方法，总结了表格，详细说明了使用的成像程序、数据集和使用的性能指标。本文还强调了研究差距。尽管在这一领域取得了一致的进展和实现的方法，但有几个问题实际上应该是集中的：图像增强中的噪声和图像的对比度仍然处于高分辨率的起步阶段本研究涵盖了现有的图像技术，黄金标准和私人数据集，用于DR检测和分级的性能指标的目前，未来的研究重点是数据集的融合此外，各种研究空白也被考虑到进一步的研究。本文对医学影像学领域的研究人员进行疾病筛查和诊断有一定的参考价值版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。内容1.导言71392.研究方法71402.1.视网膜数据集71402.2.DR检测技术71412.2.1.微动脉瘤检测71412.2.2.出血检测71432.2.3.渗出物检测71442.3.业绩评价指标71452.3.1.灵敏度/召回率/真阳性率71452.3.2.特异性/真阴性率7145沙特国王大学负责同行审查https://doi.org/10.1016/j.jksuci.2021.06.0061319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comD. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报71392.3.3.假阳性率71462.3.4.假阴性率（FNR）71462.3.5.小行星71462.3.6.AUc 71462.3.7.F1-评分71462.3.8.错误率71462.3.9.阳性预测值（精密度）71462.3.10.Kappa评分71473.现有DR检测技术的比较71474.研究差距和未来方向71484.1.机器学习71484.2.筛选DR 7148的OCT选择4.3.存储临床数据的见解71484.4.DR中的人工智能研究导致自动分级的有效性（Joshi和Karule，2017）71484.5.应缩小算法的适用范围。................................................................................................................................................................................................................ 71484.6.消除医学科学和计算机科学等特定研究之间的异质性。........................................................................................................................................................... 71504.7.诊断疾病以获得具有成本效益的治疗的可负担性4.8.对各种病变进行系统性进展和消退，以确定快速进展的风险（Sivaprasad和Pearce，2019）........................................................................................71504.9.可以进行风险分层和预测，以确定DR 7150的新生物标志物和决定因素5.结论7150竞争利益声明参考文献71501. 介绍身体无法管理产生的胰岛素导致糖尿病。糖尿病有两种类型，特别是I型和II型糖尿病。I型糖尿病是不可避免的，其原因尚不清楚，而II型糖尿病可以通过视网膜图像中存在的症状来诊断。II型糖尿病可 通 过 多 种 症 状 检 测 ， 如 微 动 脉 瘤 （ MA ） 、 出 血 性 血 管 炎（HEM）、渗出物（EX）、棉絮斑（CW）等。如果不治疗超过5年及以上，可能导致眼科糖尿病性视网膜病变（DR）（Singh和Dutta，2020;Williams等人，（2004年第10期）DR产生不可改变的视力丧失，在青春期和衰退期表现出来。预计到2030年将达到1.91亿（Leonardo et al.，2017; Mookiah等人，2013年）。通过在早期阶段进行检测，可以显著减少视力丧失（Kaur和Mittal，2018; Khojasteh等人，2018年）。可以通过减少主要是高血压的风险因素来控制DR进展（Nagpal等人，2021年）和高血糖症。它可以通过计算机辅助诊断（CAD）手动或自动检测。人工检查视网膜图像是耗时的。医生与患者的比例为1：10，000，因此眼科医生很难手动检测每位患者的疾病（Soomro，2019）。自1982年以来，CAD在分析医学成像中起着至关重要的作用（Soomro等人，2017; Dai等人，2019年）。DR可根据糖尿病病程延长后视网膜的形态学改变进行检测和分级。检测形态学变化，包括微动脉瘤（MA）、硬渗出物（HEX）、软渗出物（SE）或棉絮斑、出血（HEM）、黄斑、视盘、视神经乳头、眼底血管增加等图像的检查仍然是一项繁琐的工作。这些形态学变化可以通过手动检查或CAD检测到，这可以帮助眼科医生识别问题。形态学上的变化可以分为不同的类别。包括检测到血管增加的变化属于增殖性糖尿病视网膜病变的范畴。而另一种，包括检测HEM，MA，硬渗出物，软渗出物形式的病变，属于非视网膜病变（NPDR）的类别。因此，通过眼底成像，可以在CAD的帮助下对DR进行早期诊断。通过眼底图像检测DR有各种步骤，如预处理、图像分割、分析和根据疾病严重程度对图像进行分级疾病的严重程度可以通过分级发现，如表1所示。图1（a-f）示出了DR的各个阶段。在DR的早期检测中，在视网膜图像中没有观察到变化，而在轻度NPDR中，在四个象限之一中存在微动脉瘤的可见性。在中度NPDR中，眼底图像中存在微动脉瘤、血管瘤和渗出物。严重的NPDR存在静脉串珠，视网膜中发生微血管异常，其最终导致新血管的形成，称为PDR中的新生血管化。这项工作的目的是提供一个简短的概述不同的成像方式，数据集，和文献背后的病变检测诊断糖尿病视网膜病变。虽然已经有一些系统的评价和Meta分析，表1糖尿病视网膜病变级临床特征分类0未观察到症状无糖尿病视网膜病变1在四个象限之一中存在MA轻度NPDR2MAs，点和印迹HEM，HEX，棉絮斑点中等NPDR3视网膜内微血管异常（1个象限），明确的静脉串珠（2个象限），视网膜内HEM（每个象限>=204新生血管重度NPDR玻璃体/视网膜前出血PDRD. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报7140Fig. 1. DR的阶段（Mansour，2018）。DR，这些研究要么关注单个病变或视网膜结构（如血管），要么关注基于AI的框架来检测DR。缺乏系统性证据来总结诊断DR的最新文献以及未来的因此，我们对DR的诊断进行了系统的最先进的综述。手稿中的发现应作为研究人员寻求详细研究DR临床体征的参考。在这项工作中，文献进行了各种研究人员的病理迹象的DR进行了本文其余部分的结构如下。第2节解释了研究方法，其中包含有关数据集、DR检测技术和性能指标的信息第3节对现有技术进行了比较。第4节讨论了研究差距和未来方向，第5给出了结论。2. 研究方法本节描述了关于各种视网膜数据集、用于诊断DR的技术以及用于评估眼底图像的性能指标的讨论CAD系统的基本组成部分如图所示。 二、2.1. 视网膜数据集在临床验光中，多种成像模式如光学相干断层扫描（OCT）、眼底图像和血管造影、扫描和超声检查已用于视网膜成像，如表2所述。OCT可检测视网膜血管异常（Kaizu，2019），而眼底图像可捕获视网膜血管造影可检测视网膜血管渗漏。眼底图像可以通过两种方式捕获。捕获眼底图像的一种方式是用托吡卡胺（滴眼液）扩张视网膜并捕获被称为散瞳眼底图像的图像。与此同时，图二. CAD系统的基本流程图。捕获眼底图像的另一种方式是通过称为非散瞳图像的直接检眼镜。DR的早期治疗的诊断（Nagpal等人，2021）可以帮助患者减轻视力丧失的风险。在本文中，我们将重点眼底图像。有各种各样的视网膜信号可以用来检测DR在下一节中解释。通过成像模式，可以从眼底照相机拍摄视网膜图像，眼底照相机可以到达视网膜的内表面、血管、后极、OD和黄斑。如表3所示，存在广泛可访问的数据库，用于研究DR的医学图像分析。通过这些数据集，算法可以用于自动筛选和分析各种视网膜疾病（Amin等人，2016年）。通过多种算法进行自动DR筛查，可准确诊断视网膜疾病。选择数据集进行分类器性能分析的决策应确保疾病的正确诊断。根据文献，作者将通过各种数据集的混合来关注广义算法（Figueiredo等人，2015年）。数据集主要集中在特定区域或单一DR症状，如视网膜血管分割和视神经分割。尽管如此，仍然需要以广义的方式诊断DR表3说明D. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报表71417141DR中的各种成像模式。成像模态类别描述约束眼底图像标准、宽视野、立体-至监测的进展和改善糖尿病视网膜病变。- DR的筛选- 无法评价视网膜增厚。- 视网膜新生血管无法可视化（Salz和Witkin，2015）。FFA低荧光、超宽视野荧光素血管造影- 可以检测到DR中的新血管形成-可以根据-由于注射到眼睛中的模具（Gajree例如，（2016年）OCT增强深度成像OCT、谱域OCT、时域OCT、扫频源OCT- 计算视网膜血管厚度。- 它可以检测视网膜的不同层- 可视化血管泄漏- 视野最小（Saeed和Oleszczuk，2016）。B超- -- 如果视网膜脱离存在，- 如果中膜不清晰，糖尿病视网膜病变的影像学检查就没有用。可用于训练和测试模型的各种黄金标准数据集。然而，不同的私有数据集 ， 如 RIM-ONE 、 SCES 、 SEED DB 、 NeuB 1 （ Wei Shao 和Huang，2019）、FAZ（中心凹无血管区）、天津医科大学代谢疾病医院、SGHS医院、CLEOPATRA、Jichi医科大学、Moorfields眼科医院、新加坡国家糖尿病视网膜病变筛查项目、西班牙Puerta del Mar医院（HUPM）（Abbas等人， 2017），加的斯，西班牙，莲花眼科护理 医 院 Coimbat- ore ， 眼 科 ， Kasturba 医 学 院 ， Manipal ， 印 度（KMCM）（Ganesan等人，（2014）也可以使用用于诊断疾病（ Arcadu 等 ， 2019; Mateen 等 人 ， 2020; Salz 和 Witkin ， 2015;Salamat等人， 2019年）。2.2. DR检测技术视网膜体征有助于诊断DR。到目前为止，已经实施了各种方法来识别视网膜特征。在下面的小节中讨论了诊断DR中各种病理体征的广泛研究 图 3显示了DR中存在的视网膜体征的技术。2.2.1. 微动脉瘤检测微动脉瘤（MA）是由继发于糖尿病的血管壁弱化引起的肿胀毛细血管（Chudzik等人， 2018年）。这些是DR最早期的异常，表现为红色圆点，直径为10如图4所示，这些可以以簇的形式、孤立的形式或在糖尿病 黄斑 内的 任何 地方 发现 。它会 导致 血管 渗漏 （Benzamin和Chakraborty，2018）。疾病的进展导致其他病理学体征的出现，例如HEX、HEM（Savelli等人，2020年; Xue等人，2019年）。以下是所做的工作，用于检测眼底图像中的MA。对参加视网膜病变在线挑战赛（ROC）的团队进行了调查，描述了MA挑战赛。不同的团队使用不同的技术，如表4所示（Porwal，2020）。眼底图像中MA的检测已经通过屏幕完成提出了一种基于局部邻域差分相干模式（LNDCP）和前馈神经网络（FFNN）的图像特征和纹理特征提取系统。该方法在数据集ROC和AGAR 300上进行了分析，分别获得了0.481/0.442的自由应答受试者操作特征（FROC）评分（Jeba Derwin，2020）。2.2.1.1. 支持向量机已经提出了使用DIARETDB1数据集中输入维度-可以通过应用主成分分析和随机森林技术来去除不确定性，这实现了0.985的AUC和0.926的F测量（Cao等人，2018年）。该方法已在ROC数据集上得到验证。从灵敏度和噪声特性两方面证明了支持向量机的有效性。不同特征的特征提取和分级可以用更多的性能度量来完成，如灵敏度、特异性等。 2018）已经通过使用图切割分割提取病变来进行检测，SVM和PCA已经用于DR的分类和严重程度。该方法在实验室数据集上实施。其分别达到94.44/87.5的sen/spec。2.2.1.2. 卷积神经网络Savelli等人，2020）专注于检测基于CNN的多上下文集成的医学图像中的病变。该方法已使用多深度CNN在图像补丁上实现并结合。局部特征和病变的周围环境已被用来识别异常。该方法在数据集INbreast和E-ophtha上实现，集中于乳房X线照片中的微钙化检测和眼底图像中的MA检测（Savelli等人， 2020年）。 通过将领域知识与深度学习相结合的红色病变检测已经由（Orlando等人，2018年）。通过扩展从CNN和手工制作的特征中学习到的特征，使用了包围向量通过实现随机森林分类器来完成对真实病变的检测 该方法已在DIARETTB 1和E-ophtha数据集上进行了分析，并在Messidor数据集的DR筛选中获得了0.8932/0.9109的AUC/sen（Orlando et al.， 2018年）。已经开发了使用多筛选CNN和图像到文本映射特征空间的MA检测框架通过各种数据挖掘技术从临床报告中提取专家知识，并在语义配置文件中完成视觉特征的映射。将文本信息与视网膜图像相结合，得到了较高的检测准确率。结合多模态和多筛分分类方法，克服了视网膜图像中存在的一些问题，如误导性的视觉线索，不平衡的作者在DIARETDB 1数据集上实现了该框架该框架是通用的，可用于检测DR中不同类型的病变（Dai，2018）。模糊图像处理和深度学习已经被用于微动脉瘤的检测（Rahim等人，2020年）。预处理采用模糊图像处理D. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报7142表3用于检测DR的数据库。2019年度）1360×1024，2160 ×1440船只13.DRISHTI-GS（Sivaswamy等人， 2014年度）14.ARIA（Arunkumar和Karthigaikumar，2017）101眼底图像50 训练眼底图像51 眼底图像检测212彩色眼底图片：92(AMD)、59（DR）、61（正常）图像–302047 ×蔡司FF450 +眼底照相机50 768× 576检测糖尿病和老年性黄斑变性。15.ViCAVR（Khitran等人，（2015年）58张眼底图像TopCon非散瞳相机NW100 768x584视网膜血管和计算A/V比16.ROC（MAs）（Chudzik等人，2018年）100眼底图像Canon CR 5 -45-NM相机45 768 × 576，1058× 1061，以及1389 ×1383MA检测17.高分辨率眼底（HRF）图像数据库（Guo和Peng，2020）18.ONHSD（Molina-Casado等人，（2017年）66眼底图像Canon CR-1眼底相机45 3504 ×2336像素自动分割算法99眼底图像Canon CR6眼底相机45 640× 480视神经19.DRHAGIS（Holm等人，（2017年）39眼底图像Canon CR DiGi（Canon Inc.，日本东京）、拓普康TRC-NW6（Topcon Medical Systems，Oakland，New Jersey）和Topcon TRC-NW8（TopconMedical Systems，Oakland，New Jersey）45 4752 ×3168，2816 ×1880，3456 ×2304，2896 ×1944，3216 ×2136DR、老年性黄斑变性、高血压、青光眼检测影像系统20.IDRID（Porwal，2020）516色眼底图像Kowa VX-10a型数字眼底照相机50 4288× 2848 DR筛查21.火灾（Hernandez-matas等人，（ 2017年）22.RODREP（纵向糖尿病视网膜病变筛查，2020）S.号数据集图像数量捕获设备视场决议动机1.2.梅西多（梅西多- ADCIS，2020）MESSIDOR-2（Pires1200个眼底图像1748张眼底图像安装在Topcon TRC NW6非散瞳视网膜照相机Topcon TRC NW6免散瞳眼底照相机45451440*960，2240*1488或2304*1536像素。1440*960，检测病变病变检测例如， 2019年度）2240*1488或2304*1536像素。3.4.EYEPACS（Gulshan，12月）（2016年）ImageRet（DIARET9963张眼底图像DIARET DB0 120Centervue DRS、Optovue iCam、Canon CR1/DGi/CR2和Topcon NW数码眼底照相机4550–1500*1152DR筛查检测病变5.DB0（DIARET DB0，2020）（DIARETDB1（DIAREDB1，2020）DriDB（DRiDB图像数据集，2020）眼 底 图 像 ;DiaretDB1189眼底图像50张眼底图像蔡司VISUCAM 200相机45720 ×576病变检测6.DRIONS -DB（DRIONS-DB视网膜图像110个眼底图像HP-PhotoSmart-S20高分辨率扫描仪–600x400像素OD检测7.数据库，2020）驱动器（Niemeijer等人，（ 2004年第10期）4020彩色眼底图像20张训练图像Canon CR5免散瞳3CCD相机45768*584检测病变8.凝视（The Stare）项目，2020年）400张眼底图像Topcon TRV-50眼底照相机35605× 700像素检测渗出物和下摆9.e-眼科（E-眼科-ADCIS，2020）47例眼底图像有渗出物35张眼底图像无损伤。148张图片与MAOPHDIAT451440× 960像素，2544× 1696像素。渗出物和MA10.11.CHASE-DB 1（Mo和Zhang，2017）HEI-MED（Giancardo等人，和无病变28张眼底图像169例眼底图像115例异常Nidek NM-200-D蔡司Visucam PRO眼底照相机30451280x 9602196 ×1958视网膜血管分割中渗出液的检测D. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报7143134眼底图像Nidek AFC 210眼底照相机35 2912× 2912检测黑暗和亮斑1120眼底图像Topcon TRC-NW 65非散瞳剂45 2000× 1312 DR筛查D. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报7144表4图三. DR中存在视网膜体征见图4。 眼底图像中MA的存在错误检测和不平衡数据集。两阶段CNN已经实现，以克服自动检测MA的问题。所提出的方法已经在两个数据集上实施，即ROC和E-OphthaMA，并且分别获得不平衡数据集的AUC为0.660和0.637（Eftekhari等人，2019年）。AUC的替代方案已经在（Carrington et al.，2020年）对深度学习模型进行更准确的评估。作者在（Aishwarya等人，2017）通过三个分类器的融合检测了MA。已经提出了一种混合分类器 ，其 包 括决 策 树、SVM 和 朴素 贝 叶斯 分 类器 。 该 分类 器 已在DIARETDB数据集上实现，并达到了82.2和sen/spec分别为82/82。特征的约简梯度加权技术和自适应阈值已被用来提取的MA候选人其次是局部收敛指数滤波器（LCF）的强度和形状滤波器。 该方法已经在六个金标准数据集上进行了测试，而不管成像模式和分辨率如何， 其实现了0.471 的灵敏度（Dashtbozorg等人，2018年）。微动脉瘤检测的比较见表5。2.2.2. 出血检测糖尿病视网膜病变的早期症状是HEM，它发生在微动脉瘤之后。HEM是由于比MA大的毛细血管中的破裂而导致的血管。如图5（a-f）所示，存在三种类型的HEM，即视网膜前HEM、视网膜下HEM、视网膜HEM、火焰HEM、斑点HEM和印迹HEM。HEM形状是不规则的，并且随着疾病的进展越来越明显（Sinthanayothin等人，2002;Soomro等人，2017年）。HEM是眼底图像中存在的红色病变。下面是所做的工作，用于检测眼底图像中的HEM。已经解释了DR中HEM检测的综述。HEM的形状和数量可以决定疾病的严重程度。已经综述了可以用于检测眼底图像中的HEM的各种算法、技术和方法（Jitpakdee等人，2012年），如表6所示。已经提出了一种用于检测HEM的方法该方法包括各种图像增强方法，如预处理，分割，确定HEM区域，HEM检测与SVM和线性回归技术。的SVM分类器实现的发送/规格/访问的团队使用的不同技术（Kande等人， 2010年）。96.7%/94.1%/91.4%（Adem et例如，2019年）。而方法小组名称技术作者在（Murugan，2019）中使用运动模式、绿色通道提取、ROI、Radon变换检测HEM。拟议方法1Valladolid归一化，候选提取，高斯模型，血管分割，逻辑回归方法2怀卡托绿平面，归一化，顶帽，形态学重建，贝叶斯分类器方法，3阶旋转对称广义，高斯函数，模板匹配，小波变换方法4 Ok高斯滤波器组，自适应阈值，医学候选人提取方法5藤田实验室预处理，原装双环过滤器，区域成长，ANN技术和分类由深度神经网络完成。 除此之外，还提出了一种新的数据集用于检测微动脉瘤。对私有数据集进行了实验评估，作者得出结论，微动脉瘤检测的系统性能有所提高。然而，通过实施预处理技术、视网膜结构提取的不同组合，可以增强现有系统。2.2.1.3.深度学习已经提出了使用深度学习来自动检测MA，以处理先前的问题，即该技术已应用于Messidor数据集，并实现了97%/98%的sen/spec。Mumtaz等人，2018年通过对比度增强等多种方法诊断HEM，并应用归一化来提高图像质量，从而消除背景噪声。血管的分割已经通过使用基于尺度的方法完成。在此基础上，采用gamma校正和全局阈值技术对HEM进行了描述，并在DIAREDB 1数据集上进行了实验，分别达到了87%和84%的sen/spec。红色病变检测已提出使用像素分类和数学形态学。红色和绿色通道分别用于亮度和高对比度。灰度已被用来区分增强的红色病变分割和背景。该方法采用了匹配滤波和局部相对熵阈值算法。其分别实现了100%/91%的sen/spec（Kande等人，2010年）。低对比度的视网膜图像进行了分析，使用形态学图像处理和K-均值聚类渗出检测。所提出的算法进行了比较与手绘地面实况图像。它已被分析上的D. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报7145表5眼底图像中的MAs检测。工作性能数据集测试数据集技术绩效评价好处未来方向（Savelli等人，2020年）（杰巴·德文，乳房内和眼内炎ROC–琼脂300多深度CNNLNDCP，FFNN森81：62%FROC 0.481/0.442基于图像块和CNN多上下文集成的MA检测MA的检测，可以检测到类似的CAD问题，并可以改进性能可延长至2020年）提高亮度已经做衡量各种挑战诊断DR。（Cao等人，2018年）（Sudha等人，DIARET DB1实验数据集使用ROC数据集–随机森林、PCA和SVMSVM，Graphcut，AUC 0.985 F-测量0.926sen/质量标准：94.44/提供MA检测方法的一般性该方法有效可以使用不同的性能指标来检测Mas提取和分类各种特征。HEM的检测2018年）眼底照相机PCA，CLAHE，87.5通过删除来提高性能（奥兰多E-ophtha和Diaret梅西多尔CNN，随机筛选血管红色病变性能分析可以例如，2018年）（戴，2018）DB1第六人民直径DB1森林分类器，多次筛分Auc/sen 0.8932/0.910转诊AUC/sen0.9347/0.972召回率：0.878，泛型方法改进的效率(Lab数据库中）美国有线电视新闻网（MS-CNN）精密度：0.997不论框架可以改进。（Rahim等人，部–模糊预准确度：0.961，f1评分：0.934加速度：66 ± 70%病变检测面临的挑战对比度改善该框架可以扩展到检测各种病变。多样化的组合，2020年）马来西亚马六甲医院眼科（私立数据集）处理，CNN自动检测Mas的性能预处理技术可用于增强系统（Eftekhari等人，2019年度）（艾西瓦娅ROC和E-OphthaMADiaretDB1––两阶段CNNSVM，初始筛选Auc/sen0.89320.9109转诊AUC/sen0.93470.972182.2和sen/MA检测使用一种可以实现自动ML方法来解决超参数调整和不平衡数据问题自动检测和例如，2017贝叶斯，以及规格82/82混合分类器DR分级（Dashtbozorg）E-ophtha-MA，ROC眼外伤MA，决策树梯度灵敏度：0.471这种方法优于点HEM的检测和例如，2018年）关于DiaretDB1DiaretDB 1、ROC 和MESSIDORRC-RGB- MA 和 RCSLO-MA加权技术，自适应阈值，LCF在6个数据集上，无论成像模式和分辨率如何亮斑DIARETDB 1数据集，分别达到88.34%/99.27%的sen/spec（Biyani和Patre，2016）。2.2.3. 渗出液检测渗出物是从受损液体中泄漏的脂质这是DR中第二种常见的异常，表现为由于脂肪和胆固醇沉积而形成的黄色和白色小点，如图6（a，b）所示。这些是在视网膜上观察到的明亮特征。这些有两种类型，即软渗出物（SE）和硬渗出物（HEX）（Matsopoulos等人，1999年）。当SE呈现白色时，HEX在视网膜眼底图像中呈现淡黄色（Huan Wang等人， 2000年）。以下是用于检测眼底图像中渗出物所做的工作作者通过使用灰度变化检测渗出物。OD的检测已经完成了形态学技术，分水岭变换和渗出物可以发现的轮廓，使用形态学重建技术。该方法已在Topcon TRC 50 IA视网膜图数据集上实施，并实现了92.8/92.4 的灵敏度预测值（ Walter 等人， 2002 年）。作者在（Amin等人， 2018），使用预处理、分割、特征提取和分类等各种步骤自动检测渗出物。首先，使用数学自适应阈值D. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报7146应用形态学对病变进行分割。该技术已在4个数据集上进行了评估，如DIARETDB 1，Messi- dor，E-ophtha和本地数据集。E-ophtha的结果为0.99/98.9%AUC/ ACC，local、Messidor和DiaretDb数据集的结果为100/100%。已经提出了通过实现CNN来分割渗出物。各种程序，如OD检测和血管检测已被结合起来，以准确了解渗出物的位置。所提出的检测已经在DriDB上实现，并达到了0.78的F1测量值（Prentašic和Loncaric，201 6）。作者在深度CNN的帮助下检测到了HEX。用于检测渗出物的现有方法使用特征的手动检测。该方法适用于使用DCNN和多方面联合表示自动检测渗出物。对于渗出物的分割，已使用数学形态学。然后，使用基于脊的回归特征融合完成候选人的表征。该方法利用各种特征和描述符来学习渗出物的信息。为了识别真正的渗出物，随机森林技术已经实施。所提出的方法已经在两个数据集HEI-MED和e-ophtha上实现，这两个数据集分别实现了0.9326/0.9323和0.8929/0.9644的F分数/AUC（Wang等人，2020年）。D. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报7147¼¼图五. 分类目录（Murugan，2019）。表6在HEMS的相关工作。工作性能数据集技术绩效评价描述未来方向（Adem加齐奥斯曼帕公司迭代阈值，Firefly和Sen/spec/accHEM的检测提高灵敏度和特异性例如，大学粒子群、SVM和线性96.7%/94.1%/使用图像价值观2019年度）医学院分类器百分之九十一点四增强部技术眼科（实验室数据集）（Murugan，MESSIDOR运动模式，绿色通道传感器/规格HEM的检测用于DR2019年度）提取，感兴趣区域，Radon变换97%/98%使用运动模式（康得盯着，DIAREDB，匹配滤波和局部相关Sen/specHEM的检测–例如，私立眼科医院熵阈值算法100/91（2010年）和绿色通道（Mumtaz直径DB1对比度增强和Sen/spec 87/HEM的检测结果的微调将通过以下方式完成：例如，归一化，基于尺度的方法，84实现自适应阈值2018年）伽马校正和全局技术与监督的方法。阈值化（比亚尼直径DB1K-Means聚类和形态学Sen/规范：HEM的检测应用机器学习，包括和图像处理88.34/99.27其他功能。神父，（2016年）本文提出了一种诊断DR的渗出物检测方法，并利用形态学处理和掩蔽、纹理增强等技术抑制视网膜血管，实现了自适应推理系统，以区分正常结构和病理结构。在STARE和Messidor数据集上进行了实验，取得了自适应神经模糊推理系统分类器被称为正预测（TP + FN），N被称为负预测（TN + FP）。 有各种性能指标（Soomro，2019; Salamat等人， 2019年）。2.3.1. 灵敏度/召回率/真阳性率正确检测到的物体与物体总数的比率被称为灵敏度，如等式（1）所示（一）.（Saravanan，2019）。表7中描述了迄今为止用于检测渗出物的各种技术和数据集的比较。2.3. 业绩评价指标SenTP P2.3.2. 特异性/真阴性率ð1Þ通过各种参数评价了诊断疾病和计算疾病严重程度的性能在等式（2）中，特异性被定义为正确检测到的非对象类与对象类的总数的比率。诸如真阳性（TP）、假阳性（FP）、假阴性（FN）和真阴性（TN）率的参数（KD. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报7148hojasteh等人， 2018年）。这里P规格TNNð2ÞD. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报7149N-1/4¼见图6。视网膜眼底图像显示渗出物（Kaur和Mittal，2018）。表7相关的工作在分泌物。工作技术数据集性能分析未来方向（Walter等人，形态滤波技术，Topcon TRC 50 IA视网膜描记仪森92.8%黄斑水肿（2002年）（Amin等人，分水岭变换数学形态学，Entrance，(own数据集）DIARET DB 1，DIARET DB 1，平均预测值为92.4%。0.99/98.9% AUC硬与硬检测不同类型的病变。2018年）贝叶斯网络，朴素贝叶斯Messidor、E-ophtha和本地数据集/ACC1.00/100%开启当地（Wang等人，2020年）深度CNN，数学形态学，基于岭的回归特征，随机E-ophtha HEI-MEDF评分/AUC0.8929/0.9644检测不同类型的病变。（Prentašic 'and森林CNNDriDB0.9326/0.9323F1测量通过使用各种工具Loncaric′，2016）（萨拉瓦南，掩蔽、纹理增强，以及凝视与信使0.78百分之八十八通道、预处理和后处理步骤。检测不同类型的病变。2019年度）自适应神经模糊推理系统分类器2.3.3. 假阳性率未正确检测到的对象（FP）与正确识别的非对象（TN）的比率被称为假阳性率，并且在等式（1）中描述。（3）和（4）。FPR¼FP300或FPR¼1-规格：40002.3.6. AUC通过接收测量系统灵敏度以检测输出的操作曲线和等式所覆盖的区域如（7）所示。AUC1/2Z-1TPR 1/2T FP1/2R0/2T2.3.7. F1得分它揭示了查全率和查准率之间的平衡。2.3.4. 假阴性率（FNR）FNR被描述为FN和TP的比率，如等式2中所述。（五）、F1评分2ω精确度ω回忆精确度和召回率2.3.8. 错误率ð8ÞFNR¼1-Sen105未正确检测到的对象和非对象的总和与像素总数的总和。2.3.5. 精度正确检测到的对象和非对象的总和与对象总数的总和被称为准确度，并且它是ErFPFN1D. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报7150¼PN2.3.9. 阳性预测值（精密度）ð9Þ如Eq. （六）、加速度ð6Þ正确检测到的对象的概率真的已经校正了对象。PNPPVTPTPFPFPð10ÞD. Nagpal，S.N. Panda，M. Malarvel等人沙特国王大学学报71512.3.10. Kappa评分测量评分者间的可靠性。Acc-AccprobRUC值在正常与轻度、轻度与中度、中度与中度之间的差异。 严重NPDR比率分别为0.9106、0.8372、0.9750（Dhara等人， 2015年）。Kappascore¼1-接入 probð11Þ已经实现了用于检测特征即斑点和血管的各种技术。图像的预处理这些性能评价指标有助于研究人员提供公式的可用性和更好地理解文献中的指标。3. 现有DR检测技术的比较在单独讨论了DR的早期体征、文献中使用的性能指标后，对包括所有三种病变的DR的比较进行了如下解释。 DR的检测可以通过图1所示的各种视网膜信号来完成。7.第一次会议。讨论了DR诊断和分级的可解释性问题。分级者间的可变性（Krau