shubhamasti/automated-detection-eye-disease

# 基于视网膜眼底图像的多种疾病自动化与可解释性检测 [](https://doi.org/10.1007/978-3-032-01169-5_9) [](https://huggingface.co/shubhamasti) 伴随我们发表在 **IMPROVE 2025**（图像处理与视觉工程，Springer CCIS 第 2628 卷）上的论文的官方实现代码。 ## 概述 本代码仓库包含用于从眼底图像中检测三种视网膜疾病的训练、评估和可解释性 pipeline： - **病理性近视 (PM)** - **青光眼** - **糖尿病视网膜病变 (DR)** 我们探索了深度学习和基于特征的分类方法，并通过 Grad-CAM 可视化（深度学习）和特征重要性掩码（基于特征的方法）提供可解释性。该系统在所有三种疾病中实现了 **97% 的召回率**。 模型权重托管在 [Hugging Face](https://huggingface.co/shubhamasti) 上（请参阅下方的 [模型权重](#model-weights)），而不是在此仓库中。 ## 我的贡献 这是一个合作项目；我的具体贡献包括： - **概念化与数据：** 识别并最终确定了用于所有三种疾病训练和测试的相关数据集；主导了初期的想法规划和文献回顾（疾病背景及自动化检测的相关工作） - **深度学习 pipeline：** 设计并运行了针对所有三种疾病的深度学习方法实验，包括结果的 Grad-CAM / Grad-CAM++ 解释 - **图像预处理：** 当标准方法无法充分分割微动脉瘤时，研究并应用了 CLAHE（对比度受限自适应直方图均衡化）来增强输入图像，这是 DR pipeline 的关键修复措施 - **跟踪与整合：** 维护了整个项目中所有实验、尝试方法和指标的详细记录；整合了本仓库的完整代码库 - **撰写：** 撰写了约 65% 的论文初稿，涵盖了相关工作、方法论、pipeline 图表、结果和观察分析 - **汇报：** 在 IMPROVE 2025（4月8日至9日，葡萄牙波尔图）上进行了论文的线上汇报，并回答了观众的提问 ## 前置条件 python v3.8.19 ## 仓库结构 ``` . ├── training/ │ ├── pathological_myopia/ │ │ ├── DeepLearningApproach/ # Training scripts/notebooks for DL models │ │ └── FeatureBasedApproach/ # Feature extraction + classical ML approaches │ └── glaucoma/ │ │ └── FeatureBasedApproach/ │ ├── diabetic_retinopathy/ │ │ ├── DeepLearningApproach/ │ │ └── FeatureBasedApproach/ │ ├── evaluation/ │ ├── pathological_myopia/ # Verify and compare performance of different models │ └── glaucoma/ │ ├── diabetic_retinopathy/ │ ├── walkthrough/ │ ├── sample_images/ # Example fundus images for demo purposes │ ├── walkthrough.ipynb # End-to-end notebook: load → predict → explain for all diseases │ ├── requirements.txt | └── README.md ``` ## 模型权重 所有训练好的模型权重均托管在 Hugging Face 上： | 疾病 | 链接 | |---|---| | PM | [🤗 shubhamasti/pm-models](https://huggingface.co/shubhamasti/pm-models) | | 青光眼 | [🤗 shubhamasti/glaucoma-models](https://huggingface.co/shubhamasti/glaucoma-models) | | DR | [🤗 shubhamasti/dr-models](https://huggingface.co/shubhamasti/dr-models) | 每个模型卡片都包含了架构 details 和报告的指标。 ## 快速开始 ``` git clone https://github.com/shubhamasti/automated-detection-eye-disease.git cd automated-detection-eye-disease pip install -r requirements.txt ``` 下载模型权重，并在样本图像上运行推理 + 可解释性分析： ``` cd walkthroughs/PM jupyter notebook walkthrough.ipynb ``` 此 notebook 会加载一张样本眼底图像，将其输入到训练好的模型中，并叠加 Grad-CAM 解释，显示视网膜中的哪些区域推动了该预测结果。 ## 结果 | 疾病 | 最佳方法 | 准确率 |精确率 | 召回率 | 备注 | |---|-----|---|---|---|---| | PM | 深度学习 (ResNet50 backbone)| 98.92%| 98.92% | 98.91% | 完整指标请参阅 `evaluation/pathological_myopia` | | 青光眼 | 基于特征 | 97.38% | 97.42% | 97.38% | 完整指标请参阅 `evaluation/glaucoma` | | DR 存在情况 | 深度学习 (具有增强输入的 ResNet50 backbone) | 93.4% | 92.34% | 94.6% | 完整指标请参阅 `evaluation/diabetic_retinopathy` | ## 可解释性 每个深度学习模型都配有 Grad-CAM / Grad-CAM++ 可视化，以突出显示对预测结果影响最大的视网膜区域，从而支持临床可解释性。基于特征的模型包含相应的特征分析。 ## 引用 如果您使用了这项工作，请引用： ``` @inproceedings{masti2026automated, title={Automated and Explainable Detection of Multiple Diseases from Retinal Fundus Images}, author={Masti, Shubha and Prasad, T. and Srinivasa, G.}, booktitle={Image Processing and Vision Engineering. IMPROVE 2025}, series={Communications in Computer and Information Science}, volume={2628}, publisher={Springer}, year={2026}, doi={10.1007/978-3-032-01169-5_9} } ``` ## 联系方式 Shubha Masti ssmasti@gmail.com [LinkedIn](https://linkedin.com/in/shubha-masti)

标签：IaC 扫描, NoSQL, 逆向工具