针对多类糖尿病视网膜病变严重程度分级中高类不平衡问题的增强与迁移学习方法
计算机视觉与模式识别
2025-07-30 v2 机器学习
摘要
糖尿病视网膜病变（DR）是全球视力损失的主要原因，早期通过自动化视网膜图像分析可显著降低失明风险。本文提出一种稳健的深度学习框架，用于实现二分类和五分类 DR 分类，借助迁移学习和大规模数据增强，有效应对类别不平衡和训练数据稀缺的挑战。我们在APTOS 2019数据集上评估了多种预训练卷积神经网络架构，包括ResNet系列和EfficientNet变体。在二分类任务中，本文模型取得最新精度达98.9%，其中精确率为98.6%，召回率为99.3%，F1分数为98.9%，AUC为99.4%。在更具挑战性的五分类严重程度分类任务中，模型获得竞争性精度84.6%和AUC 94.1%，超越了若干现有方法。我们的发现还表明，EfficientNet-B0 和 ResNet34 在两项任务中均在准确率与计算效率之间提供了最佳权衡。这些结果凸显了在高性能 DR 诊断中结合类别平衡增强与迁移学习的有效性。该框架提供了一个可扩展且精确的DR筛查解决方案，具有实际临床部署的潜力。
引用
@article{arxiv.2507.17121,
title = {Addressing High Class Imbalance in Multi-Class Diabetic Retinopathy Severity Grading with Augmentation and Transfer Learning},
author = {Faisal Ahmed},
journal= {arXiv preprint arXiv:2507.17121},
year = {2025}
}
备注
9 pages, 1 Figure