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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».