Diabetic Retinopathy Recognition and Classification Using Transfer Learning Deep Neural Networks
Notice bibliographique
Résumé
Diabetic retinopathy is one of the common causes of blindness with diabetes.Early diagnosis is important to prevent irreversible vision loss.Conventional methods for diagnosing diabetic retinopathy are often based on manual examination of retinal images, which can be time-consuming and subject to human error.The integration of machine-based automated diagnostic systems offers a promising solution to this challenge.Machine-based automated diagnosis of diabetic retinopathy can prevent vision loss with early detection and treatment.In this study, we investigated the performance of different transfer learning models-DenseNet, EfficientNet, VggNet, and ResNet-on a large dataset called Diabetic retinopathy from Kaggle, consisting of 35,108 retinal images in 5 classes.Out of which 28086 samples were used for training purpose and 7,022 samples for validation testing.While previous research has explored machine learning for retinopathy diagnosis, our research uniquely combines modern transfer learning models and evaluates the effectiveness of specific processing methods with Ben Graham's processing methods.This combination distinguishes us from existing methods by contributing to a significant increase in accuracy.In particular the accuracy of the proposed approach is 97.7%, our tests show that the diagnostic accuracy increases by about 4-5% when using Ben Graham preprocessing.The results of our research may help develop more accurate and efficient automated systems for diagnosing diabetic retinopathy, thereby improving patient outcomes.
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) | 0,000 | 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 ».