La retinopatía diabética (DR) es una complicación común de la diabetes y una de las principales enfermedades que causan ceguera en todo el mundo. Es difícil detectar la DR en las primeras etapas clínicas. Este artículo propone un método de diagnóstico asistido por computadora basado en redes neuronales convolucionales para clasificar automáticamente la gravedad de la DR según las imágenes del fondo de ojo. Se utilizan varios métodos de preprocesamiento para mejorar la calidad de las imágenes de entrada, así como diferentes técnicas de aumento de datos para mejorar el equilibrio del conjunto de datos. Se emplea una regularización sensible al costo para ampliar la función de pérdida estándar de clasificación, imponiendo diferentes penalizaciones según el grado de diferencia entre el nivel predicho y el nivel real. El preentrenamiento se realiza con el conjunto de datos ImageNet para introducir aprendizaje por transferencia, y una capa completamente conectada con función de activación Softmax mejora el rendimiento del modelo. Los resultados experimentales basados en dos conjuntos de datos muestran que el modelo puede lograr una mejora de aproximadamente el 5% en la puntuación kappa ponderada doble y una mejora de alrededor del 3% en el AUC en comparación con investigaciones recientes. La introducción de la regularización sensible al costo en el modelo EfficientNet puede mejorar la precisión de la clasificación de la retinopatía diabética y lograr un buen rendimiento del modelo.

retinopatía diabética;aprendizaje profundo;regularización sensible al costo;redes neuronales convolucionales;clasificación de imágenes