000			05272namaa22004091i 4500
003			OSt
005			20250223033433.0
008			250213s2024 |||a|||fr|m|| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a610.28
092			_a610.28 _221
097			_aM.Sc
099			_aCai01.13.03.M.Sc.2024.Ta.C
100	0		_aTasnim Samir Mohamed Elsayed, _epreparation.
245	1	0	_aComputer-Aided Multi-Label Retinopathy Diagnosis Via Inter-Disease Graph Regularization / _cby Tasnim Samir Mohamed Elsayed ; Under the Supervision of Dr. Muhammad Ali Rushdi
246	1	5	_aالتشخيص متعدد التصنيفات المعضد بالحاسوب لأمراض شبكية العين باستخدام مخططات الارتباط بين الأمراض /
264		0	_c2024.
300			_a88 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc.)-Cairo University, 2024.
504			_aBibliography: pages 74-88.
520			_aComputer-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.
520			_aتشخيص 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.
530			_aIssued also as CD
546			_aText in English and abstract in Arabic & English.
650		7	_aBiomedical Engineering and Systems _2qrmak
653		0	_aMulti-label classification _aGraph regularization _aComputer-aided diagnosis _aRetinopathy _aDeep learning
700	0		_aMuhammad Ali Rushdi _ethesis advisor.
900			_b01-01-2024 _cMuhammad Ali Rushdi _dManal Abdel Wahed _dMohamed Nagy Saad Elziftawy _UCairo University _FFaculty of Engineering _DDepartment of Biomedical Engineering and Systems
905			_aEman
942			_2ddc _cTH _e21 _n0
999			_c170833