Hybrid CNN Based Computer-Aided Diagnosis System for Choroidal Neovascularization, Diabetic Macular Edema, Drusen Disease Detection from OCT Images
Notice bibliographique
Résumé
In the treatment of eye diseases, optical coherence tomography (OCT) is a medical imaging method that displays biological tissue layers by taking high resolution tomographic sections at the micron level. It has an important role in the diagnosis and follow-up of many diseases such as Choroidal Neovascularization (CNV), Diabetic Macular Edema (DME), age-related macular degeneration (AMD), Diabetic Retinopathy, Central Serous Retinopathy, Epiretinal Membrane, and Macular Hole. Computer-Aided Diagnostic (CAD) tools are needed in early detection and treatment monitoring of such eye diseases. In this paper, a hybrid Convolutional Neural Networks-based CAD system, which can classify Diabetic Macular Edema (DME), Drusen Choroidal Neovascularization (CNV), and normal OCT images, is proposed. The proposed system is CNN-SVM (Convolutional Neural Networks – Support Vector Machine) model and doesn’t require any additional extraction of feature or noise filtering on OCT images. A total of 968 OCT images is classified in pre-trained CNN methods with Alexnet, Resnet18 and Googlenet. Accuracy is achieved with highest Googlenet 97.4%. To examine the performance of the proposed CAD system, the CNN-SVM method achieves 98.96% with the highest accuracy hybrid Alexnet-SVM model, which is implemented with Alexnet-SVM, Resnet18-SVM and Googlenet-SVM models.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».