糖尿病性视网膜病(DR)是糖尿病的并发症，是许多糖尿病患者失明的最终原因。它是一种广泛传播的眼病，影响着整个世界。在大规模糖尿病人群中对DR进行早期诊断，对于控制DR患病率、避免严重视力丧失起着至关重要的作用。当前，医学图像分析被用于执行DR的诊断。在计算机辅助诊断(CAD)系统进行DR早期筛查时，数字眼底成像(DFI)是已知的医学成像方式之一。为了在2015年至2020年间开发用于诊断DR的CAD系统，许多作者采用了基于深度学习(DL)的多层体系结构来获得高精度。深度学习方法对DR识别的有效性相比传统方法提高了三倍。首先，DL方法不需要特征工程，这原本是一项重要但耗时的任务。其次，无需领域专家知识，DL算法即可快速学习用于分类任务的有效特征。第三，DFI图像包含许多与DR相关的病变，这些病变很难通过图像处理算法检测到，那些小的特征可以通过基于DL的方法轻松检测到。除此之外，DL算法在不同的实际应用中也取得了可喜的结果。在DFI领域，对DR与非DR进行二分类决策时，基于DR的主流深度学习方法具有更高的准确性。另外，识别DR严重性的五类级别也很困难。为了验证和训练这些DL网络，以前的系统需要很多训练用的DFI图像才能获得最好的结果。而且，DFI图像有着低对比度，噪声和光照等问题。过去的系统中主要利用非均匀的色彩空间。因此，基于DL的方法很难识别DR的严重性级别。
　　为了解决上述问题，在本学术论文中描述了我们开发了一种创新的解决方案，通过使用先进的深度学习(DL)方法来改善糖尿病性视网膜病变严重程度诊断效果。我们提出了一种新的基于多层的DL体系结构，即主动深度学习(ADL)方法，来搭建快速的训练方案，并获得有助于获得更高分类结果的富含信息的特征。我们将这种基于ADL的框架以及一些主流系统在不同DFI数据集上进行实验，获得的结果表明，这种基于ADL的新方法在识别DR严重性级别问题上，适用于许多实时的CAD系统。论文的主要研究成果和创新点可归结如下。
　　(1)提出了一个新的DFI预处理步骤，用来增强对比度并在面向感知的色彩空间中调整光照问题。
　　我们在感知方向的色彩空间中结合使用CIECAM97的颜色外观模型的增强版本和小波变换方法，通过使用局部对比度，颜色内容，亮度和纹理增强技术来改善DFI的图像质量。通过实验观察到，诸如低对比度，噪声，照明不均匀之类的DFI图像伪影降低了基于DL的分类器提取有效特征的性能。
　　(2)提出了一种基于分割的新方法，可以从DF图像中提取光盘(OD)和CUP区域，从而轻松定位与DR相关的候选区域。
　　经主流的系统证实，视盘(OD)和CUP的分割在检测其他视网膜解剖特征时起着至关重要的作用。这些特征过去被用于诊断青光眼和糖尿病性视网膜病变(DR)。因此，本文提出了一种新的方法，专注于检测不显眼的DR组件，而当前的深度学习算法无法解决这些问题。OD和杯子区域的分割和定位的有助于轻松定位DR候选区域。
　　(3)提出了一种基于主动深度学习(ADL)的新方法，与现有的其他用于识别DR相关疾病严重程度的主流方法相比，该方法可实现更高的分类准确性。
　　在仅识别DR和非DR的二分类决策问题上，当前基于DR的深度学习方法产生的准确性更高。因此，迫切需要应用DL算法来识别DR的五级严重性。而且，现有的基于DR的深度学习技术需要大量的标记图像，这实际上是一个耗时的过程。我们开发了一种主动的基于深度学习的方法，该方法不需要数千张图像即可执行训练步骤。我们已经通过输入补丁训练了ADL分类器。这些补丁是从Kaggle和EyePacs数据源中获得的，
　　我们在感知均匀的色彩空间中开展了基于预处理，DR相关病变的分割和DR严重程度的五级分类的视网膜成像研究，以帮助眼科医生在临床实践中提高诊断DR的敏感性和特异性。最终为开发DR的早期筛查系统提供解决方案，以便病人及时转诊或提供分级支持。