Modelo de aprendizaje automático optimizado bayesiano para la clasificación automatizada de enfermedades oculares a partir de imágenes de fondo de ojo
Autores: Zannah, Tasnim Bill; Abdulla-Hil-Kafi, Md.; Sheakh, Md. Alif; Hasan, Md. Zahid; Shuva, Taslima Ferdaus; Bhuiyan, Touhid; Rahman, Md. Tanvir; Khan, Risala Tasin; Kaiser, M. Shamim; Whaiduzzaman, Md
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Modelo de aprendizaje automático optimizado bayesiano para la clasificación automatizada de enfermedades oculares a partir de imágenes de fondo de ojo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Enfermedades oculares
Pérdida de visión
Cataratas
Glaucoma
Retinopatía diabética
BayeSVM500
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
Las enfermedades oculares se definen como trastornos o enfermedades que dañan los tejidos y partes relacionadas de los ojos. Aparecen en varios tipos y pueden ser tanto menores, lo que significa que no duran mucho, como ceguera permanente. Las cataratas, el glaucoma y la retinopatía diabética son todas enfermedades oculares que pueden causar pérdida de visión si no se descubren y tratan tempranamente. La clasificación automatizada de estas enfermedades a partir de imágenes de fondo de ojo puede permitir diagnósticos e intervenciones más rápidos. Nuestra investigación tiene como objetivo crear un modelo robusto, BayeSVM500, para la clasificación de enfermedades oculares con el fin de mejorar la tecnología médica y los resultados de los pacientes. En este estudio, desarrollamos modelos para clasificar imágenes con precisión. Comenzamos preprocesando imágenes de fondo de ojo utilizando mejora de contraste, normalización y redimensionamiento. Luego aprovechamos varios modelos pre-entrenados de redes neuronales convolucionales profundas de última generación, incluidos VGG16, VGG19, ResNet50, EfficientNet y DenseNet, para extraer características profundas. Para reducir la dimensionalidad de las características, empleamos técnicas como análisis de componentes principales, aglomeración de características, análisis de correlación, umbralización de varianza y clasificaciones de importancia de características. Utilizando estas características refinadas, entrenamos varios modelos de aprendizaje automático tradicionales, así como métodos de conjunto. Nuestro mejor modelo, llamado BayeSVM500, es un clasificador de Máquina de Vectores de Soporte entrenado en características de EfficientNet reducidas a 500 dimensiones a través de PCA, logrando una precisión del 93.65 +/- 1.05%. La optimización bayesiana de hiperparámetros mejoró aún más el rendimiento al 95.33 +/- 0.60%. A través de la ingeniería de características integral y la optimización del modelo, demostramos una clasificación altamente precisa de enfermedades oculares a partir de imágenes de fondo de ojo, comparable o superior a los benchmarks anteriores.
Descripción
Las enfermedades oculares se definen como trastornos o enfermedades que dañan los tejidos y partes relacionadas de los ojos. Aparecen en varios tipos y pueden ser tanto menores, lo que significa que no duran mucho, como ceguera permanente. Las cataratas, el glaucoma y la retinopatía diabética son todas enfermedades oculares que pueden causar pérdida de visión si no se descubren y tratan tempranamente. La clasificación automatizada de estas enfermedades a partir de imágenes de fondo de ojo puede permitir diagnósticos e intervenciones más rápidos. Nuestra investigación tiene como objetivo crear un modelo robusto, BayeSVM500, para la clasificación de enfermedades oculares con el fin de mejorar la tecnología médica y los resultados de los pacientes. En este estudio, desarrollamos modelos para clasificar imágenes con precisión. Comenzamos preprocesando imágenes de fondo de ojo utilizando mejora de contraste, normalización y redimensionamiento. Luego aprovechamos varios modelos pre-entrenados de redes neuronales convolucionales profundas de última generación, incluidos VGG16, VGG19, ResNet50, EfficientNet y DenseNet, para extraer características profundas. Para reducir la dimensionalidad de las características, empleamos técnicas como análisis de componentes principales, aglomeración de características, análisis de correlación, umbralización de varianza y clasificaciones de importancia de características. Utilizando estas características refinadas, entrenamos varios modelos de aprendizaje automático tradicionales, así como métodos de conjunto. Nuestro mejor modelo, llamado BayeSVM500, es un clasificador de Máquina de Vectores de Soporte entrenado en características de EfficientNet reducidas a 500 dimensiones a través de PCA, logrando una precisión del 93.65 +/- 1.05%. La optimización bayesiana de hiperparámetros mejoró aún más el rendimiento al 95.33 +/- 0.60%. A través de la ingeniería de características integral y la optimización del modelo, demostramos una clasificación altamente precisa de enfermedades oculares a partir de imágenes de fondo de ojo, comparable o superior a los benchmarks anteriores.