Optoelectronic Retinal Images for the Prediction of Diabetic Macular Edema Based on a Hybrid Deep Transfer Learning Technique
Notice bibliographique
Résumé
Diabetes is characterized by elevated levels of glucose in the blood, which can lead to complications like Diabetic Macular Edema (DME), causing permanent vision loss.A novel HET-EYE-NETS which is built on the ensemble transfer learning networks with extreme feedforward model for the prediction of DME is proposed.The proposed algorithm preprocesses the color optoelectronic retinal images and classifies the severity of DME by the three-stage pipeline model.In the first stage, DME is segmented by the U-Nets, features of segmented DME are extracted by AlexNet layers and finally severity is predicted by the extreme learning feedforward layers.The extensive experimentation is carried out using IDRiD and MESSIDOR database images.During this process, performance measures like precision, recall, F1-score, specificity, and accuracy are computed and analyzed.In addition, data augmentation is employed to address the issue of data imbalance problem in IDRiD and MESSIDOR database images.The proposed HET-EYE-NETS model achieved an average accuracy of 99.1%, precision of 99.2%, recall of 99% and F1-score of 0.9920.Results proved that proposed HET-EYE-NETS model outperforms existing learning models, demonstrating its potential for early diagnosis of DME.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».