ridm@nrct.go.th   ระบบคลังข้อมูลงานวิจัยไทย   รายการโปรดที่คุณเลือกไว้

Machine learning approach to automatic exudate detection in retinal images from diabetic patients

หน่วยงาน สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์

รายละเอียด

ชื่อเรื่อง : Machine learning approach to automatic exudate detection in retinal images from diabetic patients
นักวิจัย : Akara Sopharak , Dailey, Matthew N. , Bunyarit Uyyanonvara , Barman, Sarah K. , Williamson, Tom , Nwe, Khine Thet , Moe, Yin Aye
คำค้น : Diabetic retinopathy , Exudate , Naive Bayes classifier , Nearest neighbour classifier , Support vector machine
หน่วยงาน : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์
ผู้ร่วมงาน : -
ปีพิมพ์ : 2553
อ้างอิง : Journal of modern optics. 57,2 (2010) pp. 124-135 , 0950-0340 , http://dspace.library.tu.ac.th/handle/3517/4643
ที่มา : -
ความเชี่ยวชาญ : -
ความสัมพันธ์ : -
ขอบเขตของเนื้อหา : -
บทคัดย่อ/คำอธิบาย :

Exudates are among the preliminary signs of diabetic retinopathy, a major cause of vision loss in diabetic patients. Early detection of exudates could improve patients' chances to avoid blindness. In this paper, we present a series of experiments on feature selection and exudates classification using naive Bayes and support vector machine (SVM) classifiers. We first fit the naive Bayes model to a training set consisting of 15 features extracted from each of 115,867 positive examples of exudate pixels and an equal number of negative examples. We then perform feature selection on the naive Bayes model, repeatedly removing features from the classifier, one by one, until classification performance stops improving. To find the best SVM, we begin with the best feature set from the naive Bayes classifier, and repeatedly add the previously-removed features to the classifier. For each combination of features, we perform a grid search to determine the best combination of hyperparameters (tolerance for training errors) and γ (radial basis function width). We compare the best naive Bayes and SVM classifiers to a baseline nearest neighbour (NN) classifier using the best feature sets from both classifiers. We find that the naive Bayes and SVM classifiers perform better than the NN classifier. The overall best sensitivity, specificity, precision, and accuracy are 92.28%, 98.52%, 53.05%, and 98.41%, respectively.

บรรณานุกรม :
Akara Sopharak , Dailey, Matthew N. , Bunyarit Uyyanonvara , Barman, Sarah K. , Williamson, Tom , Nwe, Khine Thet , Moe, Yin Aye . (2553). Machine learning approach to automatic exudate detection in retinal images from diabetic patients.
    กรุงเทพมหานคร : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์ .
Akara Sopharak , Dailey, Matthew N. , Bunyarit Uyyanonvara , Barman, Sarah K. , Williamson, Tom , Nwe, Khine Thet , Moe, Yin Aye . 2553. "Machine learning approach to automatic exudate detection in retinal images from diabetic patients".
    กรุงเทพมหานคร : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์ .
Akara Sopharak , Dailey, Matthew N. , Bunyarit Uyyanonvara , Barman, Sarah K. , Williamson, Tom , Nwe, Khine Thet , Moe, Yin Aye . "Machine learning approach to automatic exudate detection in retinal images from diabetic patients."
    กรุงเทพมหานคร : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์ , 2553. Print.
Akara Sopharak , Dailey, Matthew N. , Bunyarit Uyyanonvara , Barman, Sarah K. , Williamson, Tom , Nwe, Khine Thet , Moe, Yin Aye . Machine learning approach to automatic exudate detection in retinal images from diabetic patients. กรุงเทพมหานคร : สถาบันวิจัยและให้คำปรึกษาแห่ง มหาวิทยาลัยธรรมศาสตร์ ; 2553.