Using Novel Fundus Image Preprocessing to Improve the Classification of Retinopathy of Prematurity (ROP) Using Deep Learning
Notice bibliographique
Résumé
Retinopathy of Prematurity (ROP) is a condition which can affect babies born prematurely. It is a potentially blinding eye disorder as a result of damage to the eye's retina. Tortuosity, presence and intensity of demarcation line are key indicators of ROP. Screening of ROP is a laborious and manual process which requires a trained physician performing a dilated ophthalmology examination. Automated diagnostic methods using Artificial Intelligence (AI) can assist ophthalmologists increase diagnosis accuracy using ROP specific features in the patient's digital retina image. For clinical use, pediatric fundus images captured using digital camera such as RetCam [1] are challenged with image quality that reduces visibility of retinal features and therefore must be pre-processed. This paper presents two improved image pre-processing methods that blend traditional and restoration methods to enhance retinal features, making the images more effective for clinical use and AI for diagnosing ROP. These new methods demonstrated improved CNN accuracy compared to traditional image pre-processing on our ROP RetCam dataset. Using ResNet50 and InceptionResNetV2 classifiers, the best results for ROP classification were as follows: Plus Disease: Accuracy 0.98, sensitivity 0.98, specificity$\mathbf{1. 0}$, precision$\mathbf{1. 0 0}$, F1-score$\mathbf{0. 9 8}$. Stages: Accuracy 0.92, sensitivity 0.72, specificity 0.96, precision 0.79, F1-score 0.76. Zones: Accuracy 0.90, sensitivity 0.85, specificity 0.93, precision 0.85, F1 -score 0.85. These results match or surpass those of comparable studies using limited data. This is the first known application of restoration-based image pre-processing for ROP RetCam images, showing enhanced effectiveness in ROP classification.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».