ترجمه فارسی مقاله تقویت تشخیص رتینوپاتی دیابتی: معماری سبک CNN برای تشخیص کارآمد اگزودا در تصاویر فوندوس شبکیه

چکیده

Retinal fundus imaging plays an essential role in diagnosing various stages of diabetic retinopathy, where exudates are critical markers of early disease onset. Prompt detection of these exudates is pivotal for enabling optometrists to arrest or significantly decelerate the disease progression. This paper introduces a novel, lightweight convolutional neural network architecture tailored for automated exudate detection, designed to identify these markers efficiently and accurately. To address the challenge of limited training data, we have incorporated domain-specific data augmentations to enhance the model’s generalizability. Furthermore, we applied a suite of regularization techniques within our custom architecture to boost diagnostic accuracy while optimizing computational efficiency. Remarkably, this streamlined model contains only 4.73 million parameters a reduction of nearly 60% compared to the standard ResNet-18 model, which has 11.69 million parameters. Despite its reduced complexity, our model achieves an impressive F1 score of 90%, demonstrating its efficacy in the early detection of diabetic retinopathy through fundus imaging.

چکیده به فارسی (ترجمه ماشینی)

تصویربرداری فوندوس شبکیه نقش مهمی در تشخیص مراحل مختلف رتینوپاتی دیابتی دارد ، جایی که اگزودات ها نشانگرهای مهم شروع بیماری اولیه هستند.تشخیص سریع این اگزوداتها برای فعال کردن اپتومتریست ها برای دستگیری یا کاهش چشمگیر پیشرفت بیماری محوری است.در این مقاله یک معماری شبکه عصبی نوروشی سبک و سبک ، متناسب با تشخیص خودکار اگزودات ، طراحی شده است که برای شناسایی این نشانگرها به طور کارآمد و دقیق طراحی شده است.برای پرداختن به چالش داده های آموزشی محدود ، ما برای تقویت تعمیم پذیری مدل ، افزایش داده های خاص دامنه را درج کرده ایم.علاوه بر این ، ما مجموعه ای از تکنیک های تنظیم را در معماری سفارشی خود برای تقویت دقت تشخیصی در حالی که بهینه سازی راندمان محاسباتی را اعمال کردیم ، استفاده کردیم.نکته قابل توجه ، این مدل ساده شامل تنها 4.73 میلیون پارامتر است که تقریباً 60 ٪ در مقایسه با مدل استاندارد RESNET-18 کاهش می یابد ، که دارای 11.69 میلیون پارامتر است.با وجود پیچیدگی کاهش یافته ، مدل ما به نمره چشمگیر F1 90 ٪ دست می یابد ، و اثربخشی آن را در تشخیص زودرس رتینوپاتی دیابتی از طریق تصویربرداری فوندوس نشان می دهد.