A retinopatia diabética (DR) é uma complicação comum do diabetes e uma das principais doenças que causam cegueira no mundo. É difícil detectar a DR em estágios clínicos iniciais. Este artigo propõe um método de diagnóstico assistido por computador baseado em redes neurais convolucionais para classificar automaticamente a gravidade da DR com base em imagens do fundo do olho. São utilizadas várias técnicas de pré-processamento para melhorar a qualidade da imagem de entrada, além de métodos de aumento de dados para melhorar o equilíbrio do conjunto de dados. É utilizada uma regularização sensível ao custo para expandir a função de perda padrão de classificação, aplicando penalidades diferentes de acordo com o grau de diferença entre o nível previsto e o nível real. O pré-treinamento é realizado no conjunto de dados ImageNet para introduzir o aprendizado por transferência, e uma camada totalmente conectada com função de ativação Softmax é usada para melhorar o desempenho do modelo. Resultados experimentais baseados em dois conjuntos de dados mostram que o modelo pode alcançar uma melhoria de cerca de 5% na pontuação kappa ponderada dupla e cerca de 3% na AUC em comparação com pesquisas recentes. A introdução da regularização sensível ao custo no modelo EfficientNet pode aumentar a precisão da classificação da retinopatia diabética, obtendo um bom desempenho do modelo.

retinopatia diabética;aprendizado profundo;regularização sensível ao custo;redes neurais convolucionais;classificação de imagens