Tasnim Samir Mohamed Elsayed,  <br/><br/>
Computer-Aided Multi-Label Retinopathy Diagnosis Via Inter-Disease Graph Regularization /  
 التشخيص متعدد التصنيفات المعضد بالحاسوب لأمراض شبكية العين باستخدام مخططات الارتباط بين الأمراض /  
by Tasnim Samir Mohamed Elsayed ; Under the Supervision of Dr. Muhammad Ali Rushdi 
 - 88 pages :  illustrations ;   30 cm. +   CD. 
<br/><br/>Thesis (M.Sc.)-Cairo University, 2024.   
<br/><br/>Bibliography: pages 74-88.  
<br/><br/> Computer-aided diagnosis (CAD) of retinal fundus diseases is crucial for effective<br/>treatment planning and avoidance of vision deterioration and loss. Most existing CAD<br/>systems are focused on learning to differentiate between retinal fundus diseases,<br/>assuming that diseases are independent and ignoring disease co-occurrences. In this<br/>thesis, we address this limitation in multi-label classification of retinal fundus diseases<br/>and introduce an end-to-end deep learning framework that accounts for label<br/>relationships via graph-theoretic regularization. Specifically, we trained a convolutional<br/>neural network for multi-label retinal disease classification. The training process for<br/>this network embeds the graph prior in a scalable neighbor discriminative loss with<br/>binary cross entropy (SNDL-BCE). The proposed model was validated through<br/>extensive experiments on the retinal fundus multi-disease image dataset (RFMiD). The<br/>model successfully detected the disease risk with area under the curve (AUC) of<br/>95.02% on the validation set and 95.8% on the test set. Furthermore, the model<br/>classified 28 different retinal fundus diseases with multi-disease score metric of 74.68%<br/>on the validation set and 73.99% on the test set. Overall, the model demonstrated a<br/>competitive performance with a final score of 84.85% on the validation set and 85% on<br/>the test set. Also, the model achieved an F1-score of 77.16% on the test data. In<br/>addition, gradient-weighted class activation map (Grad-CAM) visualization exhibited<br/>high explainability and plausibility for the outcomes of our model. Moreover, our<br/>model compares well with other state-of-the-art methods for retinal disease<br/>classification.  تشخيص أمراض قاع الشبكية بمساعدة الحاسوب أمر بالغ الأهمية لتخطيط العلاج الفعال وتجنب تدهور الرؤية وفقدانها. أغلب الأنظمة الحالية للتشخيص بالحاسوب تركز على تشخيص كل مرض شبكي بشكل مستقل، بينما تتجاهل علاقات ارتباط الأمراض ببعضها البعض. في هذه الرسالة، نناقش مشكلة التشخيص متعدد التصنيفات لأمراض شبكية قاع العين ونقدم إطارًا شاملًا باستخدام التعلم العميق أخذًا في الحسبان العلاقات بين الأمراض من خلال مخططات الارتباط بين الأمراض. على وجه التحديد، قمنا بتدريب شبكات عصبية تلافيفية لعمل تصنيف متعدد لحالات أمراض الشبكية. يتضمن تدريب هذه الشبكات مخططات الارتباط بين الأمراض المعلومة مُسبقًا والتى يتم دمجها فى دالة الفقد التمييزية القابلة للتطوير المعتمدة على الجيران مع دالة العشوائية الثنائية. تم التحقق من صحة النموذج المقترح من خلال تجارب مكثفة على مجموعة بيانات (RFMID2021). النموذج المقترح نجح في تحديد وجود المرض وتصنيف 28 مرضاً مختلفًا من أمراض شبكية قاع العين بدرجة إجمالية 85٪ في مجموعة الاختبار. أظهر نموذجنا قابلية عالية لتفسير النتائج ومعقوليتها مقارنةً مع أحدث الأساليب لتصنيف أمراض الشبكية. 
<br/><br/>
<br/><br/><br/>Text in English and abstract in Arabic & English. 
<br/><br/><label>Subjects--Topical Terms: </label><br/>Biomedical Engineering and Systems
<br/><br/><label>Subjects--Index Terms: </label>Multi-label classification  Graph regularization  Computer-aided diagnosis  Retinopathy  Deep learning 
<br/><br/><label>Dewey Class. No.: </label>610.28