Diabetische Retinopathie (DR) ist eine häufige Komplikation des Diabetes und eine der Hauptursachen für Erblindung weltweit. In den frühen klinischen Stadien ist DR schwer zu erkennen. Dieser Artikel schlägt eine computergestützte Diagnosemethode vor, die auf Convolutional Neural Networks basiert und die Schwere der DR automatisch anhand von Augenhintergrundbildern klassifiziert. Es werden verschiedene Vorverarbeitungsmethoden verwendet, um die Qualität der Eingabebilder zu verbessern, sowie verschiedene Datenaugmentierungsmethoden, um die Ausgewogenheit des Datensatzes zu verbessern. Es wird eine kostenempfindliche Regularisierung verwendet, um die Standard-Verlustfunktion der Klassifikation zu erweitern, wobei unterschiedliche Strafen entsprechend dem Grad der Abweichung zwischen vorhergesagter und tatsächlicher Einstufung verhängt werden. Ein Pretraining auf dem ImageNet-Datensatz wird durchgeführt, um Transfer Learning einzuführen, und eine vollverbundene Schicht mit Softmax-Aktivierungsfunktion verbessert die Modellleistung. Experimente auf zwei Datensätzen zeigen, dass das Modell eine etwa 5 %ige Verbesserung des zweimal gewichteten Kappa-Scores und eine etwa 3 %ige Verbesserung der AUC gegenüber jüngsten Studien erzielt. Die Einführung kostenempfindlicher Regularisierung in das EfficientNet-Modell kann die Genauigkeit bei der Klassifikation der diabetischen Retinopathie erhöhen und eine gute Modellleistung erzielen.

diabetische Retinopathie;tiefes Lernen;kostenempfindliche Regularisierung;Convolutional Neural Networks;Bildklassifikation