DeepRetNet: Retinal Disease Classification using Attention UNet++ based Segmentation and Optimized Deep Learning Technique
Notice bibliographique
Résumé
Abstract Human eyesight depends significantly on retinal tissue. The loss of eyesight may result from infections of the retinal tissue that are treated slowly or not at all. Furthermore, when a large dataset is involved, the diagnosis is susceptible to inaccuracies. Hence, a fully automated approach based on deep learning for diagnosing retinal illness is proposed in order to minimise human intervention while maintaining high precision in classification. The proposed Attention UNet++ based Deep Retinal Network (Attn_UNet++ based DeepRetNet) is designed for classifying the retinal disease along with the segmentation criteria. In this, the Attn_UNet++ is employed for segmentation, wherein the UNet++ with dense connection is hybridized with Attention module for enhancing the segmentation accuracy. Then, the disease classification is performed using the DeepRetNet, wherein the loss function optimization is employed using the Improved Gazelle optimization (ImGaO) algorithm. Here, the adaptive weighting strategy is added with the conventional Gazelle algorithm for enhancing the global search with fast convergence rate. The performance analysis of proposed Attn_UNet++ based DeepRetNet based on Accuracy, Specificity, Precision, Recall, F1-Measure, and MSE accomplished the values of 97.20%, 98.36%, 95.90%, 95.50%, 96.53%, and 2.80% respectively.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,002 |
| 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 ».