Transfer Learning for Automated Classification of Eye Disease in Fundus Images from Pretrained Model
Notice bibliographique
Résumé
In today's environment, diseases are on the rise and manifest in various ways, harming numerous bodily parts.In recent years, sophisticated analysis of retinal pictures has enabled the development of computerised methods for diagnosing various disorders.These tools save us both time and money.The analysis of retinal fundus pictures is essential for the early diagnosis of eye disorders.For years, fundus images have also been utilised to detect retinal disorders.If the two picture modalities were merged, the resulting image would be more useful since fundus images detect abnormalities such as drusen, geographic atrophy, and macular haemorrhages.At the same time, OCT scans reveal these abnormalities' specific shapes and locations.Images of the fundus are an essential diagnostic tool for numerous retinal diseases.This research investigates the effectiveness of transfer learning using the pre-trained model for predicting eye diseases from fundus images.In this study, the fundus images dataset is used, which is collected from the GitHub repository.This dataset has multiple classes, i.e., Maculopathy, Healthy, Glaucoma, Retinitis Pigmentosa and Myopia.To perform the classification, a transfer learning-based pre-trained DenseNet-121 model is proposed.Python has been employed for simulations.The results of the experiment show that, when applied to the test data, the suggested model had the highest precision (97%), sensitivity (92%), and particularity (98%) and outperformed the existing model in terms of all performance metrics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».