Ensemble Transfer Learning Model for the Detection of Diabetic Retinopathy Disease

Resumo

A retinopatia diabética (RD) é uma das principais causas de perda de visão, e a detecção precoce é essencial para prevenir a cegueira. Este estudo investiga o uso de técnicas de transferência de aprendizado, aprendizado profundo e fusão de modelos para aprimorar a detecção da RD. Cinco Redes Neurais Convolucionais (CNNs) pré-treinadas, ResNet50, VGG16, VGG19, DenseNet121 e EfficientNet-B7, foram avaliadas individualmente e em combinação usando o conjunto de dados de imagens retinianas RGB APTOS 2019. A transferência de aprendizado foi aplicada para ajustar os modelos para a classificação binária de casos de RD e não-RD. Quatro estratégias de fusão foram implementadas para explorar os pontos fortes complementares dos modelos individuais. Os resultados experimentais demonstram que todas as abordagens de fusão superaram as CNNs individuais em termos de acurácia, sensibilidade, especificidade e área sob a curva (AUC). Dentre os modelos individuais, DenseNet121 e EfficientNet-B7 apresentaram o melhor desempenho. As estratégias de fusão baseadas em lógica fuzzy aprimoraram ainda mais a acurácia diagnóstica. O melhor modelo de fusão alcançou uma precisão de 98,64% e uma taxa de detecção de 99,19%, demonstrando a robustez da abordagem proposta. Esses resultados destacam o potencial da integração da aprendizagem por transferência com a fusão avançada de modelos para criar sistemas automatizados, confiáveis ​​e escaláveis ​​para o rastreio precoce da retinopatia diabética (RD). Tais sistemas poderiam facilitar a intervenção clínica oportuna, melhorar os resultados para os pacientes e contribuir para uma prestação de cuidados de saúde mais eficiente.