Automatic Digital Analysis System to Grade Diabetic Retinopathy by Integrated Stacking Model Concept
Notice bibliographique
Résumé
Ophthalmic diagnosis is based primarily on visual information (photographs of the retina), and the recent availability of digital fundus images allows such quantization of parameters or classification to be derived from computerized image processing.Thus, an Automated Digital Analysis System (ADAS) is designed for grading Diabetic Retinopathy (DR) in this work.The Integrated Stacking Model (ISM) concept is employed to design a single large multi-headed deep learning model.Each sub-model has three layers with a predefined number of 33 convolution filters (128, 256 and 512) and a pooling layer to abstract deep features.The outputs of sub-models are fed to the meta-learner for grading the DR.The performance of the ADAS for grading DR is evaluated using MESSIDOR-1 and Kaggle datasets.For the images in MESSIDOR-1, the proposed system is considered a four-class problem, and it is a five-class problem for Kaggle dataset images.Results show that the proposed ISM-DR classification system provides promising results with an average classification accuracy of 99.2% (four-class) and 99.1% (five-class) using MESSIDOR-1 and Kaggle dataset images respectively when stacking five sub-models.A clear trend can be seen from the experimental results towards better performance when more sub-models are stacked.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».