Diabetic Retinopathy Detection Through Retinal Vessel Segmentation Using Swin U-Net Model
Notice bibliographique
Résumé
Diabetic Retinopathy (DR) is a common ocular illness that affects people in their working years and can cause vision loss. Blood vessel segmentation is crucial for the early detection and management of DR. It helps identify early warning signs including hemorrhages and microaneurysms, allowing for prompt intervention to prevent vision loss. In addition, it provides quantitative measures such as tortuosity and vascular density, which aid in making treatment decisions and charting the progression of the disease over time. But artificial intelligence (AI), and in particular deep learning (DL), is about to change medicine gradually and affect almost every area of human life. Significant improvements in diagnostic technologies have made it easier to gain insight into retinal conditions. Auto-mated screening methods considerably expedite DR detection, especially in resource-constrained contexts. Automatic blood vessel segmentation significantly improves patient outcomes in diabetic retinopathy screening programs by facilitating timely intervention and precise treatment recommendations. In this work, we apply a segmentation method to the color fundus images. First, we started by preprocessing using the CLAHE method, data augmentation, and resizing. Swin-UNet was then applied to segment retinal vessels on the RITE, Drive, STARE, and ChaseDB1 datasets. The used Swin U-Net model obtained a specificity of 92.83%, a sensitivity of 94.67%, and a Dice score of 91.24% on the ChaseDB1, STARE, and Drive datasets. Our model obtained a specificity of 86%, a sensitivity of 85%, and a Dice score of 87% on the RITE dataset.
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 ».