An Efficient End-to-end Convolutional Neural Network for Classification of Diabetic Retinopathy using ResNet
Notice bibliographique
Résumé
Diabetes is a chronic disease affecting millions of people worldwide, and more than 25% of them have diabetic retinopathy (DR). DR is the leading cause of blindness in adults. DR is usually diagnosed with a biomicroscopic examination of the fundus after pupillary dilation, supplemented by fundus photographs. The challenge lies in the interpretation of these images by a specialist physician. In this work we propose a computer-assisted pipeline for the diagnosis of DR using the convolutional neural network (CNN). This pipeline has three main stages: (i) image preprocessing, (ii) feature extraction and (iii) classification. First, we used the Discrete Wavelet Transform (DWT) method for edge segmentation, and the Contrast Limited Adaptive Histogram Equalization (CLAHE) method to improve image contrast. In the second and third step we used the ResNet50 convolutional neural network for the detection and classification of five levels of disease severity (0 - No DR, 1 - Mild, 2 - Moderate, 3 - Severe, 4 - Proliferative) on 35 122 images from the publicly available Kaggle database.To analyze the performance of the learning model, different metrics were used to detect different diseases, such as sensitivity, specificity, and the confusion matrix which includes the number of true positive, false positive, true negative and false negative.In conclusion, we achieved 85% accuracy in the validation phase and 81% in the testing phase, demonstrating the reliability of CNNs to identify and automate the diagnosis of diabetic retinopathy using digital fundus images.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».