Automatisierte Erkennung von diabetischer Retinopathie auf Basis von Deep Learning zur frühzeitigen Diagnose

Die frühzeitige Erkennung und genaue Einstufung der diabetischen Retinopathie (DR) sind entscheidend, um irreversible Sehverluste zu verhindern. In dieser Arbeit wird eine systematische und praktische Bewertung von Deep-Learning-Modellen zur automatisierten DR-Erkennung und -Einstufung anhand von retinalen Fundusbildern präsentiert. Anstatt eine neue Netzwerkarchitektur vorzuschlagen, untersucht diese Studie die Leistung von drei weit verbreiteten Deep-Learning-Modellen: Convolutional Neural Network (CNN), AlexNet und SqueezeNet innerhalb eines einheitlichen experimentellen Rahmens. Die Modelle werden sowohl für die binäre Klassifikation (normal vs. DR) als auch für die Multi-Klassen-Einstufung von DR unter Verwendung identischer Vorverarbeitungsschritte, Datensatzpartitionierungsstrategien und Bewertungsmetriken evaluiert. Eine umfassende Leistungsanalyse wird über mehrere Trainingsverhältnisse (70 %, 80 % und 90 %) und Optimierungsalgorithmen (SGDM, RMSprop und Adam) durchgeführt, um die Stabilität und das Generalisierungsverhalten der Modelle zu untersuchen. Die experimentellen Ergebnisse zeigen, dass AlexNet und SqueezeNet herkömmliche CNNs in Bezug auf Klassifikationsgenauigkeit und F1-Score konstant übertreffen. Insbesondere erzielt SqueezeNet eine diagnostische Leistung, die mit tieferen Architekturen vergleichbar ist, was auf seine potenzielle Eignung für praktische Anwendungen beim Screening diabetischer Retinopathie hinweist. Die Ergebnisse bieten eine bereitstellungsorientierte Perspektive für die Modellauswahl bei der Deep-Learning-basierten DR-Diagnose und -Einstufung.