DeepRetina Framework for Multi-retinal Diseases Classification
Notice bibliographique
Résumé
Abstract Diagnosing retinal diseases is a fundamental challenge in developing robust multi-disease classification systems due to the limited availability of datasets and inconsistent quality. Therefore, this study presents $$\text{DeepRetina}$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mtext>DeepRetina</mml:mtext> </mml:math> , a framework addressing these challenges through dataset harmonization. Five distinct retinal image datasets were unified using systematic preprocessing, resulting in a consolidated dataset of 29,966 high-resolution fundus images across eight disease categories. Harmonization corrects variations in image quality, color, and lighting resulting from different imaging devices or conditions. Data harmonization enhances the model’s ability to generalize across diverse datasets by standardizing the color and texture properties of images. The study compares the performance of custom CNN, EfficientNetV2, and MobileNetV3Large architectures for multi-disease classification. EfficientNetV2 achieved the highest accuracy of 79% with a precision of 54%. The proposed methodology significantly advances the field by (1) establishing a robust approach for harmonizing heterogeneous datasets, (2) presenting a large-scale, unified dataset for future research, and (3) presenting a comparative analysis of deep learning architectures optimized for retinal disease classification. $$\text{DeepRetina}$$ <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mtext>DeepRetina</mml:mtext> </mml:math> lays the foundation for scalable and accurate automated retinal disease diagnosis, contributing to improved detection and classification in ophthalmology.
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 | 0,002 |
| 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 ».