前出血和纤维化、黄斑水肿和Holle
horst斑块在彩色照片上更容易识别。因此，作为彩色眼底成像技术的FAF成像在眼底病筛查中检测糖尿病视网膜病变有进一步研究的价值。④2016在糖尿病科学与技术杂志上MalavikaBhaskara
a
d和Chaitha
yaRamacha
dra等人，对糖尿病性视网膜病变（DR）自动筛查分析提出了一种新的思路，他们对患者的眼底图像进行整理并按像素分类整理，把像素较低（影响临床诊断）的图像暂时搁置，对像素较好的图像进行增强处理（主要是增强血管、出血、棉花斑点、微脉瘤和黄斑水肿等特征），在去除边界干扰及噪声后使用监测工具对各特征像素点进行监测并进行标记和排定，利用一组特征描述符（多尺度中值滤波器组描述符，定向中值滤波器组描述符和其他建立的描述符）来描述由各个特征区域检测器识别的像素（其允许在多个尺度上进行本地描述）。使用综合监督学习分类器对所计算的像素描述符进行分类，以获得描述属于MA（微脉瘤）的像素的置信度的判定统计，并用监督学习分类器分析杂交后的像素，用于鉴定微脉瘤，出血，硬渗出物，棉花斑点，黄斑水肿和新生血管形成。这样分类后的结果可达到90的灵敏度和90的特异性。也因此使用他们提出的自动化DR（糖尿病性视网膜病变）筛选和监测工具可以大大降低卫生保健系统的负担，同时为糖尿病患者提供更好的护理。
将近年来的机器学习方法应用于眼底病变研究成果统计如下：
表2机器学习应用于眼底病变（糖尿病）诊断研究统计表
f年份2008
20112014201620162016
研究者Acharya和Lim等人
Jaya
thiSivaswamy和GopalDattJoshi（博士）
诊断内容准确率
不同程度平均敏感度：
糖尿病视82
网膜病变平均特异性：
检测
86
（Norma
l，Mild
DR，
Moderat
e
DRSever
eDRPDR）
筛选威胁平均准确率超
性糖尿病过90
视网膜病
变患者
SaimaWaseem
黄斑病变（玻璃疣和渗出物）
平均准确率：92
MalavikaBhaskara
a
d和Chaitha
yaRamacha
dra
糖尿病性视网膜病变（DR）
平均灵敏度：90平均特异性：632
ALNa
ayakkara和NDKodikara
渗出液和微脉动瘤
平均准确率：85
Navkira
Kaur
视网膜眼平均敏感度：底图像的9042
方法用形态学处理的方法增强图像，提取图像中的一些特征（血管、微量血液、渗出物和出血）加以筛选后输入SVM分类器进行分类识别
数据来源331幅五种像素为256x256的不同程度糖尿病患者视网膜图片，其中：Normal：62MildDR：73ModerateDR：65SevereDR：71PDR：60
利用图像处理技术增强图119例糖尿病患者
像，筛选并检测是否有与DRr