Use of Convolutional Neural Network for Fully Automated Segmentation of Hard Exudates in Retinal Images
Notice bibliographique
Résumé
Diabetic retinopathy (DR), is a complication with diabetes caused by damaged blood vessels in the back of the retina. DR affects 126.6 million people around the world and is the leading cause of blindness. Hard exudates are a type of lesion caused by the damaged blood vessels and are an early marker for DR. In this research, a fully automatic deep learning method has been developed that is able to delineate hard exudate lesions in retinal images. This allows the lesion volume to be calculated and thus determine DR severity. This technology would remove the need for doctors in the diagnosis process, therefore making the diagnosis faster and more accessible to people around the world. Our dataset consisted of 58 images and was used to train a fully convolutional neural network with a U-net architecture. The U-net consists of a contracting path followed by a symmetric expansive path that was used to learn features of the images. These features were then used to differentiate hard exudates from regular tissue allowing them to be segmented. After creating the model 26 images were used for testing. Results of the U-net model showed a Dice similarity coefficient of 67.23 ± 13.60%, a specificity of 99.74 ± 0.25%, and precision of 75.87 ± 18.14% when comparing the algorithm generated images to the manually segmented ground truths. These results show that the model is precisely delineating the hard exudates and therefore is a viable way to diagnose the severity of DR.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».