Diabetic Retinopathy Detection from Fundus Images Using Deep Convolutional Neural Networks
Notice bibliographique
Résumé
Diabetic Retinopathy (DR) is one of the primary causes of blindness. The earlier it gets detected; the earlier patients get the treatment. Currently, diagnosis of DR depends on traditional manual methods and resources, which often leads to human error and wrong diagnosis. This issue can be avoided through the development of an automated system for accurately detecting DR. In this research work, we are proposing an approach to detecting DR through deep Convolutional Neural Networks (CNNs) trained using fundus images (photos of the retina of the eye with a fundus camera). The developed CNN model detected the severity of diabetic retinopathy from fundus images with the highest probability. The final model with the best performance was achieved through iterative fine-tuning of the hyperparameters and changing of the layers. The model was tested to avoid overfitting or underfitting issues. We developed models for supervised multiclass classification as well as binary classification, where ‘No DR’ was considered as a single class, and the other types of DR were combined to make a ‘DR’ class. In binary classification, the best model achieved a validation accuracy of 96% and testing accuracy of 95%. This study highlights the potential of deep learning models to automate the detection of diabetic retinopathy, offering the possibility of more efficient and scalable screening methods which could significantly reduce the incidence of blindness from this condition.
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 ».