TL-GWO: Aprendizaje de transferencia afinado con optimizador de lobo gris para una clasificación precisa de...

Área de la Ciencia:

• Oftalmología
• Visión por computadora
• Inteligencia artificial

Sus antecedentes:

• La retinopatía diabética y el glaucoma son las principales causas de pérdida de la visión.
• La detección y el diagnóstico tempranos son cruciales para un tratamiento eficaz.
• Los sistemas automatizados pueden ayudar en la detección y el diagnóstico.

Objetivo del estudio:

• Desarrollar un marco de diagnóstico automatizado para detectar la retinopatía diabética, el glaucoma y las retinas sanas.
• Para optimizar los modelos de aprendizaje de transferencia (TL) utilizando el optimizador de lobo gris (GWO).
• Mejorar el preprocesamiento de imágenes y el aumento de datos para mejorar el rendimiento.

Principales métodos:

• Utilizó las columnas vertebrales de aprendizaje de transferencia (DenseNet121, ResNet50, ResNet101V2, InceptionResNetV2, Xception).
• Empleado Grey Wolf Optimizer (GWO) para la arquitectura y la optimización de hiperparámetros.
• La ecualización adaptativa limitada de contraste aplicado (CLAHE) y el aumento de datos.

Principales resultados:

• El modelo ResNet101V2 logró la mayor precisión (89,32%) y puntuación F1 (89,37%).
• La optimización impulsada por GWO mejoró significativamente la generalización y la robustez del modelo.
• El marco superó a otras arquitecturas en todas las métricas de evaluación.

Conclusiones:

• La combinación de estrategias de TL con la optimización metaheurística ofrece un enfoque confiable para la detección de enfermedades oftalmológicas.
• El marco propuesto demuestra el potencial de los sistemas de diagnóstico asistido por ordenador escalables.
• Los sistemas de detección automatizados pueden mejorar la eficiencia y la precisión del diagnóstico de enfermedades oculares.