論文の概要: Diabetic Retinopathy Detection Based on Convolutional Neural Networks with SMOTE and CLAHE Techniques Applied to Fundus Images
- arxiv url: http://arxiv.org/abs/2504.05696v1
- Date: Tue, 08 Apr 2025 05:38:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-09 13:30:41.652673
- Title: Diabetic Retinopathy Detection Based on Convolutional Neural Networks with SMOTE and CLAHE Techniques Applied to Fundus Images
- Title（参考訳）: SMOTEとCLAHEを用いた畳み込みニューラルネットワークを用いた糖尿病網膜症検出
- Authors: Sidhiq Mardianta, Affandy, Catur Supriyanto, Catur Supriyanto, Adi Wijaya,
- Abstract要約: 糖尿病網膜症 (DR) は糖尿病患者の眼の合併症の一つである。
本研究の目的は,DRの診断における人工知能(AI)の精度を評価することである。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Diabetic retinopathy (DR) is one of the major complications in diabetic patients' eyes, potentially leading to permanent blindness if not detected timely. This study aims to evaluate the accuracy of artificial intelligence (AI) in diagnosing DR. The method employed is the Synthetic Minority Over-sampling Technique (SMOTE) algorithm, applied to identify DR and its severity stages from fundus images using the public dataset "APTOS 2019 Blindness Detection." Literature was reviewed via ScienceDirect, ResearchGate, Google Scholar, and IEEE Xplore. Classification results using Convolutional Neural Network (CNN) showed the best performance for the binary classes normal (0) and DR (1) with an accuracy of 99.55%, precision of 99.54%, recall of 99.54%, and F1-score of 99.54%. For the multiclass classification No_DR (0), Mild (1), Moderate (2), Severe (3), Proliferate_DR (4), the accuracy was 95.26%, precision 95.26%, recall 95.17%, and F1-score 95.23%. Evaluation using the confusion matrix yielded results of 99.68% for binary classification and 96.65% for multiclass. This study highlights the significant potential in enhancing the accuracy of DR diagnosis compared to traditional human analysis
- Abstract（参考訳）: 糖尿病網膜症 (DR) は糖尿病患者の眼の合併症の1つであり、時間的に検出されないと永久失明につながる可能性がある。
本研究は、DRの診断における人工知能(AI)の精度を評価することを目的としている。この手法は、DRとその重厚度ステージを、パブリックデータセット"APTOS 2019 Blindness Detection"を用いて同定するSMOTE(Synthetic Minority Over-sampling Technique)アルゴリズムである。
文学はScienceDirect、ResearchGate、Google Scholar、IEEE Xploreを通じてレビューされた。
畳み込みニューラルネットワーク(CNN)を用いた分類結果は、99.55%の精度、99.54%の精度、99.54%のリコール、F1スコアの99.54%の2進級で最高の性能を示した。
No_DR (0), Mild (1), Moderate (2), Severe (3), Proliferate_DR (4)は95.26%, 精度95.26%, リコール95.17%, F1スコア95.23%であった。
混合行列を用いた評価は、二進分類では99.68%、多等級では96.65%の結果を得た。
本研究は,従来のヒト診断と比較して,DR診断の精度を高める有意な可能性を明らかにするものである。
関連論文リスト
- AI-Driven Diabetic Retinopathy Screening: Multicentric Validation of AIDRSS in India [0.0]
糖尿病網膜症(DR:diabetic retinopathy)は、特にインドでは、農村部では網膜専門医へのアクセスが制限されている主要な視覚障害の原因である。
本研究の目的は, DR検出および有病率評価のための人工知能を用いた糖尿病網膜症スクリーニングシステムを評価することである。
論文 参考訳（メタデータ） (2025-01-10T10:03:56Z) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳（メタデータ） (2023-04-08T10:47:41Z) - An Ensemble Method to Automatically Grade Diabetic Retinopathy with
Optical Coherence Tomography Angiography Images [4.640835690336653]
糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。
まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。
最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
論文 参考訳（メタデータ） (2022-12-12T22:06:47Z) - Performance of a deep learning system for detection of referable
diabetic retinopathy in real clinical settings [0.0]
RetCAD v.1.3.1は糖尿病網膜症(DR)を自動的に検出するために開発された。
この人工知能ベースの技術を活用して、リリース可能なワークロードの削減を分析する。
論文 参考訳（メタデータ） (2022-05-11T14:59:10Z) - SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection
Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。
移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。
SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文 参考訳（メタデータ） (2021-10-01T23:01:20Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Addressing Artificial Intelligence Bias in Retinal Disease Diagnostics [5.34430209078787]
本研究は糖尿病網膜症の診断におけるAIバイアスの予測法について検討した。
ディープラーニングシステム(DLS)は、当初トレーニングされなかったテスト/推論時に概念に直面します。
データの不均衡とドメインの一般化が、サブポピュレーション間の精度の相違につながることを示す。
論文 参考訳（メタデータ） (2020-04-28T13:46:54Z) - Instant automatic diagnosis of diabetic retinopathy [36.2143325805188]
OphtAIは、眼のラテラルを認識し、参照可能なDRを検出し、DR重症度を評価するために訓練された畳み込みニューラルネットワークのアンサンブルに依存している。
システムは164,660のスクリーニング手順から,733,848の画像のデータセットを用いて開発,検証した。
OphtAIは、FDAが認可している唯一のAIシステムよりも安全で高速で包括的だ。
論文 参考訳（メタデータ） (2019-06-12T08:34:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。