糖尿病视网膜病变（Diabetic Retinopathy,DR）是常见的糖尿病并发症之一,具有不可逆、致盲性高、进程隐蔽等特点。若不及时治疗,将严重影响患者的生活质量。为解决人工诊断主观性强、效率低等问题,业界提出使用深度学习技术进行DR诊断。调查发现,医学图像涉及隐私和伦理问题通常难以获取,易造成模型过拟合;另外,目前基于深度学习的DR诊断仍以卷积神经网络为主,无法有效提取眼底图像细节特征,诊断性能较差。针对以上问题,本文提出基于平行图像的DR四分类诊断模型,该模型能基于少量原始数据实现高效率高准确度的DR严重程度分级。本文的主要工作如下:1.针对高质量数据集获取困难和数据量少的问题,本文构造虚拟图像生成模型。首先对原始数据集进行翻转、加入噪声和遮挡等数据增强操作,然后构造基于Style GAN2-ada的虚拟图像生成模型。与现有方法不同,该模型能基于少量真实样本生成高质量的且具有丰富细节特征的眼底图像,解决训练样本过少和类别失衡问题。实验表明,生成的虚拟图像与真实图像一致且FID和KID收敛至较低值,符合后续工作要求。2.针对现有深度学习诊断模型图像细节特征提取效果不佳、诊断性能差的问题,本文构造基于平行图像的Swin Transformer诊断模型。该模型将待诊断图像分为不同的图像块,在各窗口内使用注意力机制降低计算复杂度,然后基于窗口滑动机制构造图像的全局特征矩阵,最后使用平行图像进行模型训练。实验结果表明,使用平行图像后,模型诊断效果明显改善;基于注意力和窗口滑动机制构建的诊断模型能充分提取视网膜图像中的细节信息,提高模型收敛速度与诊断性能。