A Novel Adaptive Hybrid Focal-Entropy Loss for Enhancing Diabetic Retinopathy Detection Using Convolutional Neural Networks

要約

糖尿病性網膜症は、世界中の失明の主な原因であり、AIベースの正確な診断ツールを要求しています。
カテゴリの交差点（CCE）などのマルチクラス分類における従来の損失関数は非常に一般的ですが、特に本質的に挑戦的または重複するクラスの場合、クラスの不均衡と崩壊します。
より高い重症度ステージ4糖尿病網膜症などの例の数に重い不均衡が存在するため、クラス0のような非常に初期の段階と比較してクラスはクラスのバランスを達成することが重要です。
この目的のために、少数派のクラスに焦点を合わせて挑戦的なサンプルを強調するために、局所喪失とエントロピー損失のアイデアを適応重み付けと組み合わせた適応ハイブリッド焦点エントロピー損失を提案します。
AHFEによる糖尿病性網膜症の検出に適用された最先端のモデルは、良好なパフォーマンスの改善を明らかにし、99.79％のResNET50のトップパフォーマンス、98.92％で98.92％、Xception、97.84％、および93.62％の精度でのInceptionV3を示しています。
これは、AHFEが複雑で不均衡な医療データセットのAI駆動型診断の強化をどのように促進するかに光を当てます。

要約(オリジナル)

Diabetic retinopathy is a leading cause of blindness around the world and demands precise AI-based diagnostic tools. Traditional loss functions in multi-class classification, such as Categorical Cross-Entropy (CCE), are very common but break down with class imbalance, especially in cases with inherently challenging or overlapping classes, which leads to biased and less sensitive models. Since a heavy imbalance exists in the number of examples for higher severity stage 4 diabetic retinopathy, etc., classes compared to those very early stages like class 0, achieving class balance is key. For this purpose, we propose the Adaptive Hybrid Focal-Entropy Loss which combines the ideas of focal loss and entropy loss with adaptive weighting in order to focus on minority classes and highlight the challenging samples. The state-of-the art models applied for diabetic retinopathy detection with AHFE revealed good performance improvements, indicating the top performances of ResNet50 at 99.79%, DenseNet121 at 98.86%, Xception at 98.92%, MobileNetV2 at 97.84%, and InceptionV3 at 93.62% accuracy. This sheds light into how AHFE promotes enhancement in AI-driven diagnostics for complex and imbalanced medical datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google