Automated Detection of Diabetic Retinopathy Lesions in Retinal Images using Deep Learning / Omaima Ghofrane Saffidine

Public ISBD Titre : Automated Detection of Diabetic Retinopathy Lesions in Retinal Images using Deep Learning Type de document : document électronique Auteurs : Omaima Ghofrane Saffidine ; Lamia Hameurlain, Auteur ; Fella Berrimi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (54 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Diabetic Retinopathy (DR) Artificial Intelligence (AI) Convolutional Neural Networks (CNNs) Index. décimale : 004 Informatique Résumé : Diabetic Retinopathy (DR) diagnosis holds immense potential for transformation through the application of Artificial Intelligence (AI) in healthcare. This thesis will present a deep learning-based approach for the automated detection of diabetic retinopathy lesions in retinal fundus images using Convolutional Neural Networks (CNNs). This method enhances diagnostic accuracy, reduces human error, and supports clinical decision-making by providing consistent and efficient analysis of medical images across various modalities. Note de contenu : Sommaire General Introduction vii 1 Notion and Basic concepts 1 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Definition of Artificial Intelligence . . . . . . . . . . . . . . . . . . . . . . . 3 1.3 Definition of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.4 Types of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.4.1 Supervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.4.2 Unsupervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.4.3 Semi-Supervise Learning . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.4 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.5 Challenges of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.6 Definition of Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.7 The Importance of Deep Learning . . . . . . . . . . . . . . . . . . . . . . . 8 1.8 Uses of deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.8.1 Computer Vision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.8.2 Natural language processing (NLP) . . . . . . . . . . . . . . . . . . . 9 1.8.3 Reinforcement learning . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.8.4 Generative AI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.8.5 Time Series Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.8.6 Biomedical . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.9 Challenges in Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.10 Deep Learning vs Machine Learning: Key Similarities and Differences . . . . 10 1.10.1 Functioning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.10.2 Feature extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.10.3 Data dependency . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.10.4 Computation Power . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.10.5 Training and Inference Time . . . . . . . . . . . . . . . . . . . . . . . 11 1.10.6 Problem-solving technique . . . . . . . . . . . . . . . . . . . . . . . . 11 1.10.7 Industry uses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.10.8 Output . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.11 Machine Learning vs Deep Learning: Optimal Use Cases . . . . . . . . . . . 12 1.11.1 Medical Field . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.11.2 Document analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.11.3 Banking sector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.11.4 Natural Language Processing (NLP) . . . . . . . . . . . . . . . . . . 13 1.11.5 Information retrieval . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.12 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2 Medical images analysis by deep learning 14 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2 Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.3 The digital image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.3.2 Types of digital images . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.4 Medical image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.4.1 Definition of medical image . . . . . . . . . . . . . . . . . . . . . . . 16 2.4.2 Types of medical image . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.5 Application of medical imaging . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.5.1 Application of medical imaging in tissue engineering and artificial tissues 19 2.5.2 Application of medical imaging in organoids and organ-on-a-chip . . 20 2.6 Methods for analyzing medical images using deep learning . . . . . . . . . . 20 2.6.1 Convolutional Neural Networks . . . . . . . . . . . . . . . . . . . . . 20 2.6.2 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . . . . . . 21 2.6.3 Long Short-term Memory Networks . . . . . . . . . . . . . . . . . . . 22 2.6.4 GANs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.6.5 Diffusion models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.6.6 Transformer models . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.7 Medical data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.8 Retinal Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3 Implementation and experimental results 26 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2.1 About First dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2.2 About second dataset . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.2.3 Data Splitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3 Tools and Environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3.1 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3.2 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.4 Analysis of Evaluation Metrics and Model Effective- ness . . . . . . . . . . . 30 3.4.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.4.2 Loss: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4.3 Precision: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4.4 Recall: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4.5 F1-Score: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.5 Results and Discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.5.1 First Data Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.5.2 Results Analysis of first data . . . . . . . . . . . . . . . . . . . . . . 36 3.5.3 Second data results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.5.4 Results Analysis of second data . . . . . . . . . . . . . . . . . . . . . 42 3.5.5 Comparison Between Our Datasets Results . . . . . . . . . . . . . . . 42 3.5.6 Results of Combined Dataset . . . . . . . . . . . . . . . . . . . . . . 42 3.5.7 Results Analysis of Big Dataset . . . . . . . . . . . . . . . . . . . . . 48 3.5.8 Prediction Results for unseen fundus images . . . . . . . . . . . . . . 48 3.5.9 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 3.6 CGeneral conclusion 52 Côte titre : MAI/1021 Automated Detection of Diabetic Retinopathy Lesions in Retinal Images using Deep Learning [document électronique] / Omaima Ghofrane Saffidine ; Lamia Hameurlain, Auteur ; Fella Berrimi, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (54 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Diabetic Retinopathy (DR) Artificial Intelligence (AI) Convolutional Neural Networks (CNNs) Index. décimale : 004 Informatique Résumé : Diabetic Retinopathy (DR) diagnosis holds immense potential for transformation through the application of Artificial Intelligence (AI) in healthcare. This thesis will present a deep learning-based approach for the automated detection of diabetic retinopathy lesions in retinal fundus images using Convolutional Neural Networks (CNNs). This method enhances diagnostic accuracy, reduces human error, and supports clinical decision-making by providing consistent and efficient analysis of medical images across various modalities. Note de contenu : Sommaire General Introduction vii 1 Notion and Basic concepts 1 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2 Definition of Artificial Intelligence . . . . . . . . . . . . . . . . . . . . . . . 3 1.3 Definition of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.4 Types of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.4.1 Supervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.4.2 Unsupervised learning . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.4.3 Semi-Supervise Learning . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.4.4 Reinforcement Learning . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.5 Challenges of Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.6 Definition of Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.7 The Importance of Deep Learning . . . . . . . . . . . . . . . . . . . . . . . 8 1.8 Uses of deep learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.8.1 Computer Vision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.8.2 Natural language processing (NLP) . . . . . . . . . . . . . . . . . . . 9 1.8.3 Reinforcement learning . . . . . . . . . . . . . . . . . . . . . . . . . . 9 1.8.4 Generative AI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.8.5 Time Series Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.8.6 Biomedical . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.9 Challenges in Deep Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.10 Deep Learning vs Machine Learning: Key Similarities and Differences . . . . 10 1.10.1 Functioning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 1.10.2 Feature extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.10.3 Data dependency . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.10.4 Computation Power . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.10.5 Training and Inference Time . . . . . . . . . . . . . . . . . . . . . . . 11 1.10.6 Problem-solving technique . . . . . . . . . . . . . . . . . . . . . . . . 11 1.10.7 Industry uses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.10.8 Output . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.11 Machine Learning vs Deep Learning: Optimal Use Cases . . . . . . . . . . . 12 1.11.1 Medical Field . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.11.2 Document analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.11.3 Banking sector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.11.4 Natural Language Processing (NLP) . . . . . . . . . . . . . . . . . . 13 1.11.5 Information retrieval . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.12 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2 Medical images analysis by deep learning 14 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2 Image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.3 The digital image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.3.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.3.2 Types of digital images . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.4 Medical image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.4.1 Definition of medical image . . . . . . . . . . . . . . . . . . . . . . . 16 2.4.2 Types of medical image . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.5 Application of medical imaging . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.5.1 Application of medical imaging in tissue engineering and artificial tissues 19 2.5.2 Application of medical imaging in organoids and organ-on-a-chip . . 20 2.6 Methods for analyzing medical images using deep learning . . . . . . . . . . 20 2.6.1 Convolutional Neural Networks . . . . . . . . . . . . . . . . . . . . . 20 2.6.2 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . . . . . . 21 2.6.3 Long Short-term Memory Networks . . . . . . . . . . . . . . . . . . . 22 2.6.4 GANs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.6.5 Diffusion models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.6.6 Transformer models . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.7 Medical data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.8 Retinal Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3 Implementation and experimental results 26 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2 Data Collection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2.1 About First dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2.2 About second dataset . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.2.3 Data Splitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3 Tools and Environment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3.1 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3.2 Hardware . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.4 Analysis of Evaluation Metrics and Model Effective- ness . . . . . . . . . . . 30 3.4.1 Accuracy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.4.2 Loss: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4.3 Precision: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4.4 Recall: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.4.5 F1-Score: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.5 Results and Discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.5.1 First Data Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.5.2 Results Analysis of first data . . . . . . . . . . . . . . . . . . . . . . 36 3.5.3 Second data results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.5.4 Results Analysis of second data . . . . . . . . . . . . . . . . . . . . . 42 3.5.5 Comparison Between Our Datasets Results . . . . . . . . . . . . . . . 42 3.5.6 Results of Combined Dataset . . . . . . . . . . . . . . . . . . . . . . 42 3.5.7 Results Analysis of Big Dataset . . . . . . . . . . . . . . . . . . . . . 48 3.5.8 Prediction Results for unseen fundus images . . . . . . . . . . . . . . 48 3.5.9 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 3.6 CGeneral conclusion 52 Côte titre : MAI/1021

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/1021	MAI/1021	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)