MULTI-SCALE CONTRASTIVE SELF-SUPERVISED LEARNING FRAMEWORK FOR EARLY DETECTION OF DIABETIC RETINOPATHY SEVERITY GRADING. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF Final_PhD_Wadha_Almattar_compressed.pdf Restricted to Repository staff only until 29 December 2025. Download (5MB)

Arabic Abstract

ُيعتبر اعتلال الشبكية السكري )Diabetic Retinopathy( أحد الأسباب الرئيسية للعمى على مستوى العالم، وتشخيصه بدقة وتحديد درجة شدته أمرانحاسمانللتدخلفيالوقتالمناسب.ومعذلك،فٕانتصنيفشدةاعتلالالشبكيةالسكرييمثلتحدًياكبيًرابسببالفروقاتالدقيقةبين المراحلالمتجاورةوالصعوبةفيتحديدالحالاتالمتأخرةمناعتلالالشبكية،خاصًةفيمجموعاتالبياناتغيرالمتوازنة.يقترحهذاالبحث نموذًجاجديًدايعتمدعلىالتعلمالذاتيالتوجيه)SSL(مخصصلتصنيفدرجاتشدةاعتلالالشبكيةالسكري.منخلالالاستفادةمنبيانات صور قاع العين الغنية بالمعلومات التشخيصية، يهدف النموذج إلى استخراج ونقل تمثيلات قوية دون الاعتماد على البيانات المصنفة خلال مرحلة ما قبل التدريب. يجمع نهجنا بين آلية استخراج الميزات متعددة المقاييس، التي تدمج بين نقاط القوة في المحولات البصرية )ViTs( والشبكات العصبية الالتفافية )CNNs( عبر شبكة الهرم المميز )FPN(، مع آليات الانتباه لتعزيز تعلم الميزات. تم تقييم نماذج التعلم الذاتي التوجيه الخاصة بنا — CGSSL و MsSSL —على مجموعات بيانات معيارية لتصنيف اعتلال الشبكية السكري مثل APTOS و Messidor، ومقارنتها مع النماذج القائمةعلىالتعلمالخاضعللٕاشراف.أظهرتالنتائجأننماذجناالمبنيةعلىالتعلمالذاتيالتوجيهتحسنبشكلملحوظدقةالتصنيف،خاصًةفي التفريق بين درجات اعتلال الشبكية المتجاورة وتحديد الحالات الشديدة. علاو ًة على ذلك، استكشفت الدراسة تأثير حجم البيانات وتوازن الفئات على أداء النموذج، مسلطة الضوء على محدوديات التعلم المنقول من مجموعات بيانات الصور الطبيعية مثل ImageNet. تشير النتائج إلى أن التعلم الذاتي التوجيه يقدم حلاً أكثر فعالية لتصنيف شدة اعتلال الشبكية السكري، ويوفر قدرات تعميم فائقة للتطبيقات السريرية الواقعية. يساهم هذا البحث في تطوير مجال تحليل الصور الطبية من خلال تقديم نهج متقدم وقابل للتوسع لمواجهة تحديات تشخيص اعتلال الشبكية السكري.

English Abstract

Diabetic Retinopathy (DR) is a leading cause of blindness worldwide, and its accurate diagnosis and severity grading are critical for timely intervention. However, grading DR severity is particularly challenging due to the subtle differences between adjacent stages and the difficulty in identifying late-stage DR cases, especially in imbalanced datasets. This thesis proposes a novel self-supervised learning (SSL) framework tailored specifically for DR grading. By leveraging rich fundus image data, the framework is designed to extract and transfer robust representations without relying on labeled data during the pretraining phase. Our approach integrates a multi-scale feature extraction mechanism, combining the strengths of Vision Transformers (ViTs) and convolutional neural networks (CNNs) through a Feature Pyramid Network (FPN), with attention mechanisms to enhance feature learning. We evaluate our SSL models—CGSSL and MsSSL—on benchmark DR datasets, including APTOS and Messidor, and compare their performance against state-of-the-art supervised models. The results demonstrate that our SSL-based models significantly improve classification accuracy, particularly in distinguishing between adjacent DR grades and identifying severe DR cases. Addi- tionally, the study explores the impact of dataset size and class imbalance on model performance, highlighting the limitations of conventional transfer learning from natural image datasets like ImageNet. The findings suggest that SSL provides a more effec- tive solution for DR severity grading, offering superior generalization capabilities for real-world clinical applications. This research contributes to the growing body of work in medical image analysis by presenting an advanced, scalable approach for addressing the challenges of DR diagnosis.

Item Type:	Thesis (PhD)
Subjects:	Computer
Department:	College of Computing and Mathematics > Information and Computer Science
Committee Advisor:	Alam Khan, Fakhri
Committee Co-Advisor:	Luqman, Hamzah Abdullah
Committee Members:	Mohandes, Mohamed and Ahmed, Moataz Aly Kamaleldin and Al Owaifeer, Adi
Depositing User:	WADHA ALMATAR (g201906750)
Date Deposited:	31 Dec 2024 08:47
Last Modified:	31 Dec 2024 08:47
URI:	http://eprints.kfupm.edu.sa/id/eprint/143189