La rétinopathie diabétique (DR) est une complication courante du diabète et l'une des principales causes de cécité dans le monde. Il est difficile de détecter la DR aux stades cliniques précoces. Cet article propose une méthode d’aide au diagnostic basée sur les réseaux neuronaux convolutifs pour classer automatiquement la gravité de la DR à partir d’images du fond d’œil. Plusieurs méthodes de prétraitement sont utilisées pour améliorer la qualité des images d’entrée, ainsi que diverses techniques d'augmentation des données pour améliorer l’équilibre du jeu de données. Une régularisation sensible au coût est utilisée pour étendre la fonction de perte de classification standard, appliquant des pénalités différentes en fonction du degré de divergence entre la prédiction et le niveau réel. Un pré-entraînement est réalisé sur le jeu de données ImageNet pour introduire le transfert d’apprentissage, et une couche entièrement connectée avec fonction d’activation Softmax permet d’améliorer les performances du modèle. Les résultats expérimentaux sur deux ensembles de données montrent que ce modèle améliore d’environ 5 % le score kappa pondéré à deux reprises et d’environ 3 % l’AUC par rapport aux recherches récentes. L’introduction de la régularisation sensible au coût dans le modèle EfficientNet peut améliorer la précision de la classification de la rétinopathie diabétique et obtenir de bonnes performances du modèle.

rétinopathie diabétique;apprentissage profond;régularisation sensible au coût;réseaux neuronaux convolutifs;classification d’images