Mobile Application for Early Prediction of Diabetic Retinopathy Using Deep Learning Approach

Abstract

Le diabète est une maladie chronique qui touche des millions de personnes dans le monde. Bien qu'il puisse être géré avec des soins et un traitement appropriés, il peut égale ment entraîner une série de complications qui a ectent diverses parties du corps. L'une des complications les plus courantes du diabète est la rétinopathie diabétique (RD), qui a ecte les yeux et est l'une des principales causes de cécité chez les adultes en âge de tra vailler. La RD est causée par des niveaux élevés de glucose dans le sang qui endommagent les vaisseaux sanguins de la rétine, entraînant une perte de vision. Dans la science médicale moderne, les images sont l'outil indispensable pour un diagnos tic précis des patients. En attendant l'évaluation des imageries médicales contemporaines reste complexe. Ces derniers temps, la vision par ordinateur avec Deep Neural Networks peut former un modèle parfaitement et le niveau de précision sera également plus élevé que les autres modèles de réseaux neuronaux. Dans cette étude, les images du fond d'÷il contenant une rétinopathie diabétique ont été prises en considération. L'objectif principal de ce projet est de développer une approche basée sur l'apprentissage profond pour aider à diagnostiquer et prédire la rétinopathie diabétique à partir d'un ensemble de données relatives à de vrais patients. Les modèles d'apprentissage en profondeur sont capables de quanti er les caractéris tiques telles que les vaisseaux sanguins, les gouttes de liquide, les exsudats, les hémorragies et les micro-anévrismes dans di érentes classes. Le modèle calculera les poids qui donnent le niveau de gravité de l'÷il du patient. Le principal dé de cette étude est le verdict précis des seuils de chaque classe d'entités. Le modèle sera utile pour identi er la classe appropriée de gravité des images de rétinopathie diabétique. L'approche proposée aide à prédire le risque de maladie, car elle peut nettoyer les don nées, normaliser et extraire les caractéristiques pertinentes des données structurées, et représente e cacement ces caractéristiques extraites avec un faible poids dimensionnel et spéci que en utilisant la sélection des caractéristiques pour produire des résultats opti maux avec deux méthodes de validation di érentes dans a n d'améliorer les performances et la complexité pratique du modèle proposé et ainsi réduire l'erreur de prédiction de la rétinopathie diabétique. Le modèle prédictif proposé est testé sur une application créée pour les besoins de ce test. Les résultats montrent que les performances du modèle prédictif proposé ..... Mots-clés : Rétinopathie diabétique (RD), Rétine, Filtrage des données, Sélection de fonctionnalités, Classi cation, Apprentissage en profondeur (DL), Réseau de neu rones profonds (DNN), Réseau de neurones convolutifs (CNN), Métriques d'évaluation, Métriques d'erreur, Complexité pratique