Thesis (M.Sc.)-Cairo University, 2024.

Bibliography: pages 74-88.

Computer-aided diagnosis (CAD) of retinal fundus diseases is crucial for effective
treatment planning and avoidance of vision deterioration and loss. Most existing CAD
systems are focused on learning to differentiate between retinal fundus diseases,
assuming that diseases are independent and ignoring disease co-occurrences. In this
thesis, we address this limitation in multi-label classification of retinal fundus diseases
and introduce an end-to-end deep learning framework that accounts for label
relationships via graph-theoretic regularization. Specifically, we trained a convolutional
neural network for multi-label retinal disease classification. The training process for
this network embeds the graph prior in a scalable neighbor discriminative loss with
binary cross entropy (SNDL-BCE). The proposed model was validated through
extensive experiments on the retinal fundus multi-disease image dataset (RFMiD). The
model successfully detected the disease risk with area under the curve (AUC) of
95.02% on the validation set and 95.8% on the test set. Furthermore, the model
classified 28 different retinal fundus diseases with multi-disease score metric of 74.68%
on the validation set and 73.99% on the test set. Overall, the model demonstrated a
competitive performance with a final score of 84.85% on the validation set and 85% on
the test set. Also, the model achieved an F1-score of 77.16% on the test data. In
addition, gradient-weighted class activation map (Grad-CAM) visualization exhibited
high explainability and plausibility for the outcomes of our model. Moreover, our
model compares well with other state-of-the-art methods for retinal disease
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.

Issued also as CD

Text in English and abstract in Arabic & English.