Retinal Image Enhancement Through Hyperparameter Selection Using RSO for CLAHE to Classify Diabetic Retinopathy
Notice bibliographique
Résumé
Diabetic retinopathy (DR) is one of the main causes of blindness in diabetes patients.To choose the appropriate course of action for the patient, the severity level of the problem must be verified to avoid vision loss.Deep learning models are being utilized to classify the stage of DR at which the patient is right now.However, the input image to be fed to the Convolutional Neural Network (CNN) must be of good quality to facilitate subsequent tasks such as image segmentation, feature extraction, and classification.Most image enhancement techniques rely on Histogram modification, especially contrast-limited adaptive histogram equalization (CLAHE), to perform local contrast enhancement in order to avoid the drawbacks of existing methods.With Improper selection of hyperparameters such as the number of tiles and clipping limit, an image's quality decreases and becomes inappropriate for further processing.The uniqueness of Random Search Optimization (RSO) lies in its ability to dynamically adapt the search process based on the behavior of virtual rat swarms, allowing for effective exploration of the parameter space while balancing exploration and exploitation.RSO's advantage over existing methods lies in its ability to effectively handle high-dimensional and nonlinear search spaces, potentially leading to the discovery of optimal hyperparameter configurations that enhance retinal images and improve diabetic retinopathy classification accuracy.This study proposes an optimized clipping limit selection using the Rat Swarm Optimization algorithm for contrast-limited adaptive histogram equalization to enhance the retinal fundus images.The enhanced images are further segmented using Otsu thresholding for classification using CNN.The proposed model was evaluated and tested on the fundus datasets MESSIDOR and IDRiD.The result shows that the proposed optimized clipping limit selection using the Rat Swarm Optimization algorithm model outperforms with 7.33 MSE, 44.51 PNSR, and 0.89 SSIM values when compared to other methods.Classification accuracy was also improved by enhancing the 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 | 0,001 | 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) | 0,001 | 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 ».