Enhancing Diabetic Retinopathy Diagnosis with Deep Neural Networks
Notice bibliographique
Résumé
DR is a critical microvascular secondary complication of diabetes, and if not identified in time, it often leads to irreversible blindness. Traditional screening techniques rely on manual fundus examination, which is not only time-consuming but mostly unavailable in under-resourced settings. This work, therefore, calls for the use of computer-aided detection and classification using fundus images of the retina. In this analysis, pre-trained Convolutional Neural Networks like ResNet50, VGG16, DenseNet, MobileNet, and EfficientNet have been fine-tuned, with image enhancement using contrast and data augmentation to emphasize subtle retinal lesions like microaneurysms and exudates. Experimental results indicated that ResNet performed best among the systems with an accuracy of 74%, thus outperforming others in classifying DR into multiple severity stages. For ease of access, this system is designed for deployment through a lightweight web-based application with real-time prediction, visualization of results, and personalized suggestions for treatment. Furthermore, this paper discusses the integration of Vision Transformers for improved lesion detection at the fine-grain level. This work contributes toward SDG 3 - Good Health and Well-being, as it proposes a scalable, accurate, affordable DR screening that would otherwise reduce clinical burden and improve healthcare equity.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».