Enhanced diabetic retinopathy detection using U-shaped network and capsule network-driven deep learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Glaucoma, a severe eye disease leading to irreversible vision loss if untreated, remains a significant challenge in healthcare due to the complexity of its detection. Traditional methods rely on clinical examinations of fundus images, assessing features like optic cup and disc sizes, rim thickness, and other ocular deformities. Recent advancements in artificial intelligence have introduced new opportunities for enhancing glaucoma detection. This research explores a hybrid approach combining UNet++ and Capsule Network (CapsNet) architectures for accurate glaucoma diagnosis. UNet++ is employed for semantic segmentation, focusing on defining optic discs and cups, which are crucial for detecting the disease. CapsNet leverages its ability to recognize hierarchical patterns, providing more sensitive detection of glaucomatous changes than conventional Convolutional Neural Networks. Pre-processing of retinal images involves advanced techniques like Histogram Equalization and Contrast Limited Adaptive Histogram Equalization (CLAHE) to enhance image quality. The model is trained and tested on benchmark datasets, showing superior performance in optic cup/disc segmentation and glaucoma detection accuracy compared to existing state-of-the-art models.•Hybrid Model Efficiency: The combined use of UNet++ and CapsNet offers improved accuracy in optic cup and disc segmentation.•Enhanced Image Quality: Application of Histogram Equalization and CLAHE techniques significantly boosts the quality of retinal images.•Superior Performance: The hybrid approach outperforms traditional and contemporary models in glaucoma detection accuracy.
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.
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 | 0,001 |
| 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 | 0,000 |
| 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 découle