| Titre : | Diabetic retinopathy detection based on retinography images |
| Auteurs : | MOHAMED RIAD SEBTI, Auteur ; Laïd Kahloul, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2021 |
| Format : | 1 vol. (78 p.) / ill. / 29 cm |
| Langues: | Anglais |
| Mots-clés: | Healthcare, Health care Diabetes, Diabetic retinopathy, Artificial intelligence,Machine learning, Deep learning. |
| Résumé : | Recently, Artificial Intelligence (AI) has invaded all areas of scientific research, for what it brings in terms of solutions. The field of health is not an exception. Diabetes is one of the most common diseases in theworld and in Algeria. One of its complications is diabetic retinopathy, which can blur or distort the vision of the patient, it is one of the main causes of blindness. Early detection of diabetic retinopathy can greatly help in the treatment. The recent development in the field of AI and especiallyDeep learning provides ambitious solutions that can be used to predict,forecast and diagnose several diseases in their early phases.In our master project we have explored the potential of deep learning (DL) for retina image analysis. We have studied DL concepts with a convolutional neural network (CNN) algorithm to build a multi-classification model that can detect and classify retinopathy levels automatically.We have used google colab which is an accessible platform by everyone to train our models. In this project we have applied a CNN architecture with several parameters on 2 different datasets of diabetic retinopathy with different structures. |
| Sommaire : |
1 General introduction 1
2 Background 3 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 Healthcare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2.1 Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2.2 Healthcare stages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 2.3 Artificial intelligence and healthcare . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4 Machine learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.4.2 Types ofMachine learning algorithms . . . . . . . . . . . . . . . . . . . . . . . 8 2.5 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.5.1 Artificial neural networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.5.2 Convolutional neural networks . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.6 Popular CNN Architectures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.7 Transfer learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.8 Diabetic retinopathy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.8.1 Diabetes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.8.2 Diabetic retinopathy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.8.3 Retinal imaging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.8.4 Related works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.8.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3 Design and implementation of a deep learning architecture for Diabetic Retinopathy detection 29 3.1 Introduction . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.2 System design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.2.1 Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.2.2 Preprocessing: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.2.3 Splitting dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2.4 CNN Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 3.2.5 Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.2.6 Evaluation of a CNNModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.3 Implementation of a Deep Learning architecture . . . . . . . . . . . . . . . . . . . . 37 3.3.1 Frameworks , tools and libraries . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.3.2 Dataset preparation and preprocessing . . . . . . . . . . . . . . . . . . . . . . 40 3.3.3 Building our CNNModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 3.4 Testing our CNNModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4 Experimentation and Results 51 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.2 First Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.2.1 First proposed Structure (Binary classification) . . . . . . . . . . . . . . . . . 52 4.2.2 Second proposed structure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 4.2.3 Second proposed structure with modifications . . . . . . . . . . . . . . . . . 60 4.3 Second dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64 4.3.1 One proposed structure (Binary classification) . . . . . . . . . . . . . . . . . . 65 4.4 Third dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 4.5 Comparison of our work with previous works . . . . . . . . . . . . . . . . . . . . . . 71 4.5.1 Table of Comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 5 Conclusion and Perspectives 73 References 74 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/680 | Mémoire master | bibliothèque sciences exactes | Consultable |
