Sistema de clasificación de fondo de ojo para detección de etapa de retinopatía diabética utilizando CNN-DELM híbrido
Autores: Novitasari, Dian Candra Rini; Fatmawati, Fatmawati; Hendradi, Rimuljo; Rohayani, Hetty; Nariswari, Rinda; Arnita, Arnita; Hadi, Moch Irfan; Saputra, Rizal Amegia; Primadewi, Ardhin
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Sistema de clasificación de fondo de ojo para detección de etapa de retinopatía diabética utilizando CNN-DELM híbrido
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Retinopatía diabética
Detección
Técnicas de aprendizaje profundo
Método CDELM
Arquitecturas de CNN
Características de imágenes de fondo de ojo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 41
Citaciones: Sin citaciones
La retinopatía diabética es la principal causa de ceguera en adultos en edad laboral. El aumento de la población diagnosticada con RD se puede prevenir mediante el tamizaje y el tratamiento temprano del daño ocular. Este proceso de tamizaje se puede llevar a cabo utilizando técnicas de aprendizaje profundo. En este estudio, la detección de la gravedad de la RD se realizó utilizando el método híbrido CNN-DELM (CDELM). Las arquitecturas CNN utilizadas fueron ResNet-18, ResNet-50, ResNet-101, GoogleNet y DenseNet. Las características del resultado del aprendizaje se clasificaron aún más utilizando el algoritmo DELM. La comparación de la arquitectura CNN tuvo como objetivo encontrar la mejor arquitectura CNN para la extracción de características de la imagen de fondo de ojo. Esta investigación también comparó el efecto del uso de la función del núcleo en el rendimiento de DELM en la clasificación de imágenes de fondo de ojo. Todos los experimentos utilizando CDELM mostraron resultados máximos, con una precisión del 100% en los datos de DRIVE y los datos de MESSIDOR de dos clases. Mientras tanto, los mejores resultados obtenidos en los datos de la clase MESSIDOR 4 alcanzaron el 98.20%. La ventaja del método DELM en comparación con el método CNN convencional es que la duración del tiempo de entrenamiento es mucho más corta. CNN tarda un promedio de 30 minutos en el entrenamiento, mientras que el método CDELM solo tarda un promedio de 2.5 minutos. Basándose en el valor de la precisión y la duración del tiempo de entrenamiento, el método CDELM tuvo un mejor rendimiento que el método CNN convencional.
Descripción
La retinopatía diabética es la principal causa de ceguera en adultos en edad laboral. El aumento de la población diagnosticada con RD se puede prevenir mediante el tamizaje y el tratamiento temprano del daño ocular. Este proceso de tamizaje se puede llevar a cabo utilizando técnicas de aprendizaje profundo. En este estudio, la detección de la gravedad de la RD se realizó utilizando el método híbrido CNN-DELM (CDELM). Las arquitecturas CNN utilizadas fueron ResNet-18, ResNet-50, ResNet-101, GoogleNet y DenseNet. Las características del resultado del aprendizaje se clasificaron aún más utilizando el algoritmo DELM. La comparación de la arquitectura CNN tuvo como objetivo encontrar la mejor arquitectura CNN para la extracción de características de la imagen de fondo de ojo. Esta investigación también comparó el efecto del uso de la función del núcleo en el rendimiento de DELM en la clasificación de imágenes de fondo de ojo. Todos los experimentos utilizando CDELM mostraron resultados máximos, con una precisión del 100% en los datos de DRIVE y los datos de MESSIDOR de dos clases. Mientras tanto, los mejores resultados obtenidos en los datos de la clase MESSIDOR 4 alcanzaron el 98.20%. La ventaja del método DELM en comparación con el método CNN convencional es que la duración del tiempo de entrenamiento es mucho más corta. CNN tarda un promedio de 30 minutos en el entrenamiento, mientras que el método CDELM solo tarda un promedio de 2.5 minutos. Basándose en el valor de la precisión y la duración del tiempo de entrenamiento, el método CDELM tuvo un mejor rendimiento que el método CNN convencional.