| Titre : | Eye disease detection using deep learning |
| Auteurs : | Khaldoun douaa amina, Auteur ; chouih amaur, Auteur ; Kouidri Siham, Directeur de thèse |
| Type de document : | texte manuscrit |
| Editeur : | Université de Saïda – Dr. Moulay Tahar – Faculté des Mathématiques, de l’Informatique et des Télécommunications, 2025/2026 |
| Format : | 96ص |
| Accompagnement : | CD |
| Langues: | Anglais |
| Index. décimale : | BUC-M 008555 |
| Catégories : |
Master en informatique Speciality: Computer Networks and Distributed Systems |
| Mots-clés: | Apprentissage profond, apprentissage multi-tâches, diagnostic des mal- adies rétiniennes, rétinopathie diabétique, EfficientNet-B3, YOLOv8s, détection de lésions, Généralisation. Deep Learning, Multi-Task Learning, Retinal Disease Diagnosis, Diabetic Retinopathy, EfficientNet-B3, YOLOv8s, Lesion Detection, Generalization. |
| Résumé : |
Cette thèse propose une approche d’apprentissage profond multi-tâches pour le diagnos-
tic automatisé des maladies rétiniennes à partir d’images du fond de l’œil. Le système est basé sur un pipeline conditionnel en deux étapes combinant EfficientNet-B3 pour la clas- sification multi-label des pathologies oculaires et YOLOv8s pour la détection des lésions de rétinopathie diabétique. Le modèle de classification, entraı̂né sur l’ensemble de données ODIR-5K, active conditionnellement un pipeline de prétraitement intégrant CLAHE, Grad- CAM et SAHI lorsque une rétinopathie diabétique est détectée, avant d’effectuer la détection des lésions sur l’ensemble de données DDR. Les résultats expérimentaux démontrent une amélioration significative des performances par rapport aux approches existantes. L’intégration de visualisations interprétables basées sur la Grad-CAM améliore également l’aide à la décision clinique. Enfin, cette recherche met en évidence la capacité de généralisation d’une architecture légère et optimisée, ce qui la rend adaptée au déploiement dans des environnements médicaux à ressources limitées. This thesis proposes a multi-task deep learning approach for the automated diagnosis of retinal diseases from fundus images. The system is based on a two-stage conditional pipeline combining EfficientNet-B3 for the multi-label classification of ocular pathologies and YOLOv8s for the detection of diabetic retinopathy lesions. The classification model, trained on the ODIR-5K dataset, conditionally activates a preprocessing pipeline integrating CLAHE, Grad-CAM, and SAHI when diabetic retinopathy is detected, before performing lesion detection on the DDR dataset. Experimental results demonstrate a significant improvement in performance compared to existing approaches. The integration of interpretable Grad-CAM-based visualizations also enhances clinical decision support. Finally, this research highlights the generalization ca- pability of a lightweight and optimized architecture, making it suitable for deployment in resource-limited medical environments. |
| Note de contenu : |
Contents
List of Figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi List of Tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xii List of Abbreviations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiii General Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 Context and Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 Problem Statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 Objectives of the Thesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 Thesis Structure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1 Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.2 The Evolution of Machine Learning to Deep Learning . . . . . . . . . . . . 4 1.2.1 What is machine learning? . . . . . . . . . . . . . . . . . . . . . . 4 1.2.2 Traditional Machine Learning Algorithm . . . . . . . . . . . . . . 5 1.2.3 Types of Machine Learning . . . . . . . . . . . . . . . . . . . . . . 6 1.2.4 How deep learning differs from traditional machine learning . . . . 8 1.3 Deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.4 Artificial Neural Networks ANNs . . . . . . . . . . . . . . . . . . . . . . . 9 1.5 Deep Neural Networks DNNs . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.6 Convolutional neural network (CNN) . . . . . . . . . . . . . . . . . . . . . 10 1.6.1 Introduction to CNN . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.6.2 VGG . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.6.3 ResNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6.4 EfficientNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.6.5 ImageNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.6.6 MobileNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.6.7 DenseNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.6.8 AlexNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.6.9 CNN Object Detection Algorithms . . . . . . . . . . . . . . . . . . 13 vii 1.6.9.1 YOLO . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.6.9.2 RetinaNet . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.7 Recurrent Neural Networks (RNNs) . . . . . . . . . . . . . . . . . . . . . 14 1.7.1 Long short-term memory (LSTM) . . . . . . . . . . . . . . . . . . 15 1.7.2 Gated recurrent units (GRUs) . . . . . . . . . . . . . . . . . . . . . 15 1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2 State of art on retinal disease . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2 Anatomy of the eye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.1 The Outer Tunic . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2.2 The Middle Tunic . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.3 The Inner Tunic . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3 Retinal pathologies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3.1 Diabetic Retinopathy . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.2 Screening and diagnosis of diabetic retinopathy . . . . . . . . . . . 20 2.4 Diagnosis of Diabetic Retinopathy . . . . . . . . . . . . . . . . . . . . . . 20 2.5 Age-related macular degeneration (AMD) . . . . . . . . . . . . . . . . . . 22 2.5.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.5.2 AMD Diagnosis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.6 Cataract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.6.1 Types of cataract . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.7 Myopia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.7.1 Diagnosis and Tests . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.7.1.1 Adults . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.7.1.2 Children . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.8 Hypertensive retinopathy . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.8.1 High blood pressure (diagnosis & treatment) . . . . . . . . . . . . . 25 2.9 Glaucoma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.9.1 Types of glaucoma . . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.9.2 What is the cause of glaucoma? . . . . . . . . . . . . . . . . . . . 26 2.9.3 Glaucoma Diagnosis . . . . . . . . . . . . . . . . . . . . . . . . . 26 2.10 Medical imaging analysis techniques . . . . . . . . . . . . . . . . . . . . . 27 2.10.1 Eye fundus examination . . . . . . . . . . . . . . . . . . . . . . . 27 2.10.2 Retinal imaging techniques . . . . . . . . . . . . . . . . . . . . . . 28 2.10.3 Fundus angiography . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.11 Comparative Analysis of State-of-the-Art Approaches . . . . . . . . . . . . 30 2.12 Comparative Analysis of Multi-label Classification (ODIR-5K) . . . . . . . 34 2.13 Comparative Analysis of DR Lesion Detection (DDR Dataset) . . . . . . . 35 viii 2.14 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3 Proposed Approach in eye disease diagnosis . . . . . . . . . . . . . . . . . . . 37 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.2 Dataset acquisition and Characteristics . . . . . . . . . . . . . . . . . . . . 37 3.2.1 The ODIR-5K Dataset (Stage 1: Classification) . . . . . . . . . . . 37 3.2.1.1 Diagnostic Classes . . . . . . . . . . . . . . . . . . . . . 38 3.2.2 The DDR Dataset (Stage 2: Lesion Detection) . . . . . . . . . . . . 38 3.2.2.1 Dataset Structure . . . . . . . . . . . . . . . . . . . . . . 39 3.3 Technical Analysis and Diagnostic Classes . . . . . . . . . . . . . . . . . . 39 3.4 Proposed Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 3.4.1 Stage 1: EfficientNet B3 for Image Classification . . . . . . . . . . 42 3.4.2 Stage 2:Lesions Detection . . . . . . . . . . . . . . . . . . . . . . 43 3.4.3 Preprocessing Pipeline . . . . . . . . . . . . . . . . . . . . . . . . 43 3.4.3.1 Step 1: Green Channel CLAHE Enhancement . . . . . . 43 3.4.3.2 Step 2: Grad-CAM Soft Masking . . . . . . . . . . . . . 45 3.4.3.3 Step 3: SAHI-Style Patch Slicing . . . . . . . . . . . . . 46 3.4.3.4 Final Step: YOLO V8 . . . . . . . . . . . . . . . . . . . 47 3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4 Results and Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.2 Implementation Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.2.1 PyTorch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 4.2.2 The pytorch-grad-cam . . . . . . . . . . . . . . . . . . . . . . . . 49 4.2.3 PIL (Python Imaging Library) . . . . . . . . . . . . . . . . . . . . 50 4.2.4 Torchvision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4.2.5 OpenCV (cv2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4.2.6 NumPy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4.2.7 Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4.3 Evaluation measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4.3.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 4.3.2 AUC-ROC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.3.3 Loos function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.3.4 F1 Score . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 4.3.5 Precision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.3.6 Recall . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.3.7 Confusion Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.3.8 Average Precision (AP) . . . . . . . . . . . . . . . . . . . . . . . . 52 4.3.9 mAP (Mean Average Precision) . . . . . . . . . . . . . . . . . . . 53 ix 4.4 Eye disease classification . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 4.4.1 Preprocessing and Results . . . . . . . . . . . . . . . . . . . . . . 53 4.4.1.1 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . 54 4.4.2 Best Performing Model Configuration . . . . . . . . . . . . . . . . 56 4.4.3 Validation Set Performance . . . . . . . . . . . . . . . . . . . . . . 56 4.4.4 Test Set Performance . . . . . . . . . . . . . . . . . . . . . . . . . 56 4.4.5 Per-Class Test Set Performance . . . . . . . . . . . . . . . . . . . . 57 4.4.6 The Accuracy Trap . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.4.7 Comparative Evaluation of AUC-ROC and per-class Accuracy . . . 58 4.4.8 The Exact Match Paradox . . . . . . . . . . . . . . . . . . . . . . 59 4.4.9 Multi-label Prediction Heatmape . . . . . . . . . . . . . . . . . . . 59 4.5 Eye disease detection and lesion localisation . . . . . . . . . . . . . . . . . 60 4.5.1 Preprocessing and Results . . . . . . . . . . . . . . . . . . . . . . 60 4.5.1.1 Preliminary Exploration: The Custom P2 Head Experiment: 60 4.5.1.2 YOLOv8 Training Configuration . . . . . . . . . . . . . 62 4.5.1.3 Overall Performance . . . . . . . . . . . . . . . . . . . . 63 4.5.1.4 Per-Class Performance . . . . . . . . . . . . . . . . . . . 64 4.5.1.5 Per-Class Performance Summary . . . . . . . . . . . . . 66 4.5.1.6 Comparison with Baseline . . . . . . . . . . . . . . . . . 67 4.5.1.7 Confusion Matrix Analysis . . . . . . . . . . . . . . . . 69 4.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 General Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 |
Exemplaires
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| aucun exemplaire |
Documents numériques (1)
BUC-M 008555 Adobe Acrobat PDF |
