在数据集DMED中对硬性渗出进行分离，并在通用数据集上进行测试取得了良好的检测效果。当然各种新的方法也在陆续的提出，在这里就不一一赘述了。下面是最近几年国外有关学者做的相关研究：
①2008新加坡南洋理工大学Acharya和Lim等人，根据糖尿病视网膜病变的各种特性，采用形态学图像处理技术和支持向量机（SVM）技术对糖尿病患者定期视网膜检查自动检测进行了相关的研究。他们对331幅眼底图像进行分类，并得到了五种分类结果：正常视网膜，轻度非增殖性糖尿病视网膜病变，中度非增生性糖尿病视网膜病变，严重非增殖性糖尿病视网膜病变和增殖性糖尿病视网膜病变。并使用图像处理技术从原始图像中提取出了血管、微量血液、渗出物和出血这四个特征，将这些特征传输SVM分类器进行分类，并达到了85的准确率，82％以上的敏感度和86％的特异性（敏感度是实际有病而且被正确诊断出来的概率，特异性就是实际没病而且被正确诊断的概率，即敏感度高漏诊率底，特异性高误诊率低）。试验中他们对分类器（朴素贝叶斯分类器，Mahala
obis和k最邻近分类器）进行了比较发现Mahala
obis分类效果最佳。
②2011在糖尿病科学与技术杂志上Jaya
thiSivaswamy和GopalDattJoshi博士基于大多数糖尿病患者不能接受定期眼科护理，通常在部分视力丧失发作后诊断的原因，提出并开发了一种基于web采集、分类糖尿病患者眼底病变图像的系统，预筛选系统来检查患者的眼底图像，并将有视网膜病变的患者信息转交给专家并反馈给患者，这样在很大程度上解决了专家稀缺的情况，而且它为初级保健者提供了一种低成本、有效且易于使用的筛选解决方案。此外经本系统统计，来检查的人当中，80左右的人属于正常范围。本设计中的创新点在于：将自动眼底图像分析整合到
f与web端摄像头配套的眼底照片拍摄仪上，将DR患者和非DR患者按照标准进行分类，这样解决了大规模疾病筛查中众所周知的挑战，自动质量评估模块确保转移符合分级标准的眼底图像。此外，这是一个易于使用的界面，具有新的可视化功能，专为案例审查而设计，还能收集各种关于DR患者的眼底图片，这样在方便患者和减轻专家工作压力的同时，还有助于后期对DR自动识别诊断的研究。③2013美国新泽西州医学与牙科大学眼科与视觉科学研究所A
to
MKolomeyer等人，就眼底荧光造影（FAF）对于检测糖尿病视网膜病变的效果是否受彩色眼底照片的影响做了相关的实验，并发现微动脉瘤和脉络膜视网膜瘢痕在FAF图像上更容易看到。硬渗出物、视网膜r