糖尿病视网膜病变（DR）是糖尿病的一种严重并发症，也是全世界失明的主要原因之一。增殖性糖尿病视网膜病变（PDR）是DR的一个较晚期阶段，其特征是视网膜中新血管的生长，这一过程称为新生血管。视网膜上出现新生血管是PDR的一个标志，如果不加以治疗，可能导致严重的视力丧失。
增殖性和非增殖性糖尿病视网膜病变与正常眼之间的区别
这些血管的异常生长导致浮肿、出血和动脉瘤的形成。它们也可以完全关闭，阻止任何血液通过它们。常见的症状是视力模糊，夜视能力差，注意到颜色看起来被冲淡或褪色。
在这个项目中，我们分析了躺在视网膜表面的细环或血管网络，它们通常发生在棉絮斑的附近。
主要目的是开发一种准确可靠的方法，以新生血管为参数检测患者的糖尿病视网膜病变，同时确定新生血管的严重程度与糖尿病视网膜病变的其他症状，如棉絮斑、出血和动脉瘤之间的关系。
使用新生血管作为生物标志物是比较新的方法。
数据集： www.kaggle.com/datasets/ma…
这些图像经过高斯过滤并调整为224 x 224像素。该数据集还包含一个Train.csv文件，其中包括以下类别标签：
- 0 - 没有DR
- 1 - 轻度
- 2 - 中度
- 3 - 严重
- 4 - 扩散的DR
高斯滤波
- 诊断中表示数据类别的数值是不均匀分布的。这导致了一个高度偏颇的神经网络。
每个类别的数据样本的计数
- 我们可以将轻度、中度、增殖_DR和重度合并为一个类别，在No_DR旁边。
0-无DR；1-严重
我曾尝试使用传统的卷积神经网络和MobileNetV2模型，进一步区分每个模型的性能。
一个名为MobileNetV2的卷积神经网络架构是为有效的设备上图像分类任务而创建的。它是由谷歌研究人员在2018年公布的，作为原始MobileNet架构的替代品。
在MobileNetV2中使用被称为 "反转残差 "的独特层是主要的创新，因为它使用较少的计算，同时保留了巨大的准确性。在反转残差层中，深度卷积之后是1x1卷积，这在最大限度地提高网络容量的同时，也将计算费用降至最低。
此外，MobileNetV2还利用了其他策略，如全局池、线性瓶颈和快捷连接，以进一步减少推理所需的输入和计算量，同时保持高精确度。
MobileNetV2的结构
卷积层：卷积层通过对输入数据应用一系列的卷积滤波器，对输入图像进行特征提取。MobileNetV2使用死亡可分离卷积，与传统的卷积相比，它的计算效率高，所需参数少。
倒置的残差块：倒置的残差块是MobileNetV2架构的关键构件。它们由一连串的1x1和3x3卷积组成，旨在降低网络的计算成本，同时保持高精确度。每个倒置的残差块还包括一个快捷连接，使网络能够学习残差特征。
瓶颈层：瓶颈层用于减少倒置残差块的输入通道的数量，这有助于进一步降低网络的计算成本。
结果和结论：
损失 : 0.25
准确度 : 0.88
精度 : 0.88
召回率 : 0:88
与传统卷积神经网络76%的准确率相比，MobileNetV2的准确率高达88%。
训练和验证的损失和准确率
总之，"使用MobileNetV2诊断增殖性糖尿病视网膜病变的血管分析，准确率达88%"项目已经证明了深度学习算法在提高PDR诊断的准确性和效率方面的潜力。使用MobileNetV2模型对眼底图像中的PDR进行分类，准确率高达88%。总的来说，这个项目展示了深度学习算法在改善PDR诊断方面的潜力，并强调了在这个领域继续研究以提高PDR诊断和治疗的准确性和有效性的重要性。
**参考资料:
**www.kaggle.com/datasets/so…
