Une approche novatrice pour un diagnostic et un classement intelligents de la rétinopathie diabétique

La rétinopathie diabétique (RD) est une complication oculaire sévère du diabète qui peut entraîner des lésions de la vision et même la cécité. Actuellement, les réseaux de neurones convolutifs profonds (CNN) traditionnels utilisés pour les tâches de classement de la RD font face à deux défis principaux : (1) une insensibilité aux classes minoritaires en raison d'une distribution de données déséquilibrée et (2) une négligence de la relation entre les yeux gauche et droit en utilisant l'image du fond d'œil d'un seul œil pour l'entraînement sans faire de distinction entre eux. Pour relever ces défis, nous avons proposé le modèle DRGCNN (DR Grading CNN). Pour résoudre le problème causé par la distribution déséquilibrée des données, notre modèle adopte une stratégie plus équilibrée en allouant un nombre égal de canaux aux cartes de caractéristiques représentant différentes catégories de RD. De plus, nous introduisons un encodeur CAM-EfficientNetV2-M dédié à l'encodage des images rétiniennes du fond d'œil pour la génération de vecteurs de caractéristiques. Le nombre de paramètres de notre encodeur est de 52,88 M, ce qui est inférieur à RegNetᵧ₁6gf (80,57 M) et EfficientNetB7 (63,79 M), mais la valeur kappa correspondante est plus élevée. En outre, afin de tirer parti de la relation binoculaire, nous introduisons des images rétiniennes du fond d'œil des deux yeux du patient dans le réseau pour la fusion des caractéristiques pendant la phase d'entraînement. Nous avons atteint une valeur kappa de 86,62 % sur le jeu de données EyePACS et 86,16 % sur le jeu de données Messidor-2. Les résultats expérimentaux sur ces jeux de données représentatifs pour la rétinopathie diabétique (RD) démontrent l'excellente performance de notre modèle DRGCNN, l'établissant comme un modèle de classification intelligent hautement compétitif dans le domaine de la RD. Le code est disponible pour utilisation sur https://github.com/Fat-Hai/DRGCNN.