Classification of diabetic retinopathy using pre-trained deep learning models

Abstract

Diabetic Retinopathy (DR) is considered to be the first factor that leads to blindness. If it is not detected early, many people around the world would suffer from the diabetic disease that may lead to DR in their eyes. Any delay in regular monitoring and screening by ophthalmologists may cause rapid and dangerous progress of this disease which finally leads to human vision loss. The imbalance between the numbers of doctors required to monitor this disease and the number of patients around the world increasing year by year shows a major problem leading to poor regular monitoring and loss vision in many cases which could have been detected had there been good treatment in the earlier stages of DR. In order to solve this problem, serious aid was needed for a computer aid diagnosis (CAD). Deep learning pre-trained models are state-of-art in image recognition and image detection with good performance. In this research, we used image pre-processing and we built several convolution neural network models from scratch and fine-tuned five pre-trained deep learning models which used ImageNet as the dataset for medical images of diabetic retinopathy in order to classify diabetic retinopathy into five classes. After that, we selected the model that showed good performance to build a diabetic retinopathy web application using Flask as a framework web service. We used the KAGGLE kernel website with Jupyter as a notebook as well as Flask to build our web application. The final result of the AUC was 0.68 using InceptionResNetV2.

Diyabetik Retinopati (DR) körlüğe yol açan ilk faktör olarak kabul edilir. Erken tespit edilmezse, dünyadaki birçok insan gözlerinde DR'ye neden olabilecek diyabetik hastalıklardan muzdarip olur. Oftalmologlar tarafından düzenli izleme ve taramada meydana gelen herhangi bir gecikme, bu hastalığın hızlı ve tehlikeli bir şekilde ilerlemesine neden olabilir ve bu da insan görme kaybına neden olur. Bu hastalığın izlenmesi için gerekli olan doktor sayısı ile her geçen yıl artan dünyadaki hasta sayısı arasındaki dengesizlik, birçok durumda iyi tedavi edilmiş olduğu tespit edilen birçok vakada kötü düzenli izleme ve kayıp görüşüne yol açan önemli bir problem olduğunu göstermektedir. DR. Bu sorunu çözmek için, bir bilgisayar yardımı teşhisi (CAD) için ciddi yardıma ihtiyaç vardı. Derin eğitim önceden eğitilmiş modeller, görüntü tanıma ve iyi performansla görüntü algılamada son teknolojidir. Bu araştırmada, görüntü ön işlemeyi kullandık ve çizik ve ince ayarlı beş ön eğitimli derin öğrenme modelinden çeşitli evrişimli sinir ağı modelleri kurduk, ImageNet'i diyabetik retinopatinin tıbbi görüntüleri için veri seti olarak veri seti olarak kullandı. Beş sınıf Ondan sonra, Flask'ı çerçeve web servisi olarak kullanarak diyabetik retinopati web uygulaması oluşturmak için iyi performans gösteren modeli seçtik. Web uygulamamızı oluşturmak için JAGSER ile KAGGLE çekirdek web sitesini bir dizüstü bilgisayar ve Flask olarak kullandık. AUC'nin nihai sonucu, InceptionResNetV2 kullanılarak 0.68 idi.