A MODIFIED RESNET-50 CNN MODEL FOR CLASSIFICATION OF EYE DISEASES

Abstract

ABSTRACT

Delay in diagnosing and treating eye illnesses causes blindness in millions worldwide. In response, there has been a push towards an efficient automated detection technique in medical imaging, such as retinal fundus images. In this research, the system has been proposed to automatically distinguish between healthy and unhealthy retinal fundus images given a set of training images based on pre-trained deep learning architectures. A preprocessing based on adaptive histogram equalization followed by morphological operations is demonstrated to provide an improved class distinction between normal and diseased images compared to using the raw images alone.

Specific effective deep convolutional neural network (CNN) based architectures are developed using the pre-trained weights gained through transfer learning. Comparing the results of several deep CNN architectures - ResNet50, Inceptionv3, GoogleNet, and MobileNet, A new modified model has been created by adding new layers on top of the last output layer to the model with the highest accuracy (ResNet50). Dense layers are used to downsize the data and improve performance. The final layer is used for predicting image classes using softmax activation to enhance the classification performance significantly. Extensive testing on a big ophthalmology dataset reveals encouraging results. The various diseases represented in the fundus images and the situations in which they were collected strong evidence for the method's viability in clinical settings, Where the proposed models (ResNet50, InceptionV3, GoogLeNet, and MobileNet) achieved an accuracy of 99.1%, 95.3%, 94.7 and 93.1, respectively. In comparison, the modified model achieved an accuracy of 99.25%.

ÖZET

Göz hastalıklarının teşhis ve tedavisindeki gecikmeler dünya çapında milyonlarca insanın kör olmasına neden olmaktadır. Bu nedenle, retina fundus görüntüleri gibi tıbbi görüntüler kullanan etkili bir otomatik algılama tekniğine yönelik ihtiyaç olmuştur. Bu araştırmada, önceden eğitilmiş derin öğrenme mimarilerine dayalı bir dizi eğitim görüntüsü verilen sağlıklı ve sağlıksız retina fundus görüntülerini otomatik olarak ayırt etmek için bir sistem önerilmiştir. Uyarlanabilir histogram eşitleme ve ardından uygulanan morfolojik işlemlere dayanan bir ön işlemenin, yalnızca ham görüntüleri kullanmaya kıyasla normal ve hastalıklı görüntüler arasında gelişmiş bir sınıf ayrımı sağladığı gösterilmiştir.

Transfer öğrenme yoluyla elde edilen önceden eğitilmiş ağırlıklar kullanılarak etkili derin konvolüsyonel sinir ağı (CNN) tabanlı mimariler geliştirilmiştir. ResNet50, Inceptionv3, GoogleNet ve MobileNet gibi çeşitli derin CNN mimarilerinin sonuçları karşılaştırılarak, en yüksek doğruluğa sahip olan modelin (ResNet50), son çıktı katmanının üstüne yeni katmanlar eklenerek yeni bir modifiye model oluşturulmuştur. Verileri küçültmek ve performansı artırmak için yoğun katmanlar kullanılmıştır. Son katman, sınıflandırma performansını önemli ölçüde artırmak için softmax aktivasyonunu kullanarak görüntü sınıflarını tahmin etmek için kullanılmıştır. Büyük bir oftalmoloji veri kümesi üzerinde yapılan kapsamlı testler önemli sonuçlar ortaya koymaktadır. Fundus görüntülerinde temsil edilen çeşitli hastalıklar ve bunların içinde bulunduğu durumlar, yöntemin klinik uygulamalarda uygulanabilirliği için güçlü kanıtlar sunmuştur. Önerilen modeller (ResNet50, InceptionV3, GoogLeNet ve MobileNet) sırasıyla %99,1, %95,3, 94,7 ve 93,1 doğruluk oranlarına ulaşmıştır. Diğer modeller ile karşılaştırıldığında, modifiye edilmiş model ile %99,25'lik doğruluk oranı elde etmiştir.