Quality Assessment and Severity Detection in fundus images for DR. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Final Thesis (Doaa Saleh Ahmad Dalaq).pdf - Accepted Version Restricted to Repository staff only until 9 May 2027. Available under License Creative Commons Attribution No Derivatives. Download (21MB)

Arabic Abstract

اعتلال الشبكية السكري (DR) هو حالة مرضية في العين مرتبطة بمرض السكري، تنشأ نتيجة تلف الأوعية الدموية في الشبكية، مما يؤدي تدريجيًا إلى تدهور الرؤية، وفي الحالات الشديدة قد يسبب العمى. يُعد هذا المرض من الأسباب الرئيسية لضعف البصر على مستوى العالم، خاصة بين الأفراد في سنّ العمل. ويُعتبر الكشف المبكر والتصنيف الدقيق لدرجة شدة المرض باستخدام صور قاع العين أمرًا بالغ الأهمية لتجنب المضاعفات الخطيرة. لقد أظهرت أنظمة تصنيف اعتلال الشبكية السكري المعتمدة على التعلم العميق نتائج واعدة، إلا أن تطبيقها في البيئات السريرية الواقعية لا يزال يواجه عدة تحديات. ومن أبرز هذه التحديات ما يُعرف بـ"اختلاف المجال"، والذي ينشأ بسبب التباين في أجهزة التصوير، وظروف الالتقاط، والبيئات السريرية بين مجموعات البيانات المختلفة. ونتيجة لذلك، غالبًا ما تفشل النماذج المُدرّبة على بيانات مُنقّاة في التعميم على بيانات جديدة من بيئات مختلفة. إضافةً إلى ذلك، تعتمد معظم الطرق الحالية على نماذج تصنيف تُعد بمثابة "صناديق سوداء" ولا تأخذ في الاعتبار المنطق السريري، مما يؤدي إلى ضعف في قابلية التفسير وتباين في النتائج. تُقدّم هذه الأطروحة مجموعة من النماذج الجديدة التي تهدف إلى تحسين دقة وقابلية تفسير تشخيص وتصنيف اعتلال الشبكية السكري، مع تعزيز قدرتها على التكيف مع اختلاف المجالات ودمج المعرفة السريرية. في هذا السياق، نقترح نموذج CLIP-Care الذي يعيد صياغة مهمة التصنيف على أنها مسألة مواءمة دلالية مشروطة بالصورة، بما يعزز الاتساق الترتيبي ويُحسّن استقرار التوزيعات الاحتمالية. كما نقدم نموذج EyeMamba الذي يجمع بين المعالجة المسبقة المستقلة عن المجال لصور الشبكية ونموذج ثنائي الاتجاه قائم على فضاء الحالة، لالتقاط الاعتماديات المكانية بعيدة المدى بكفاءة مع الحفاظ على المتانة تجاه اختلاف المجالات. وأخيرًا، نطوّر إطار DR-Reasoner القائم على الاستدلال، والذي يدمج المعرفة والقيود السريرية في عملية التنبؤ، مع الحفاظ على كفاءة المعلمات من خلال أسلوب التكيّف منخفض الرتبة (LoRA). وقد أظهرت تجارب موسعة على عدة مجموعات بيانات عامة لاعتلال الشبكية السكري، سواء في إعدادات التعميم عبر المجالات أو ضمن نفس المجال، أن الطرق المقترحة تحقق تحسينًا ملحوظًا في المتانة وأداء التصنيف مقارنةً بالأساليب الحالية.

English Abstract

Diabetic Retinopathy (DR) is a diabetes-associated eye condition that arises from retinal vascular damage, ultimately resulting in gradual visual deterioration and, in extreme cases, blindness. DR is considered one of the major factors behind visual disability globally, especially among working-age individuals. Early identification and appropriate DR grading using retinal images are imperative to avoid adverse health outcomes. Several automated DR grading systems have been designed using deep learning techniques, yielding remarkable outcomes; nonetheless, implementing such systems in clinical practice poses several difficulties. The first major challenge in this field is domain shift, caused by differences in imaging equipment, acquisition settings, and clinical contexts between datasets. Consequently, models pre-trained on curated datasets struggle to generalize to other settings. Furthermore, current approaches depend on black-box classification that do not take clinical reasoning into account, resulting in low interpretability and inconsistency of predictions. This thesis presents several novel models for accurate and interpretable DR diagnosis and grading, which are robust to domain shifts and incorporate clinical reasoning. To this end, we present CLIP-Care, which reinterprets DR grading as a semantically aligned task conditioned on images to encourage ordinality and stabilize probability distributions. Then, we propose EyeMamba, which combines domain-invariant preprocessing of the retinal image with a bidirectional state-space model to effectively model long-range spatial dependencies while remaining robust to domain shift. Lastly, we design DR-Reasoner, a reasoning-driven framework that incorporates clinical insights and constraints into the model prediction step and adapts parameters using Low-Rank Adaptation. Extensive experiments on multiple public DR datasets, under both domain generalization and within-domain setups, demonstrate that the proposed methods consistently improve robustness and grading performance compared to existing approaches.

Item Type:	Thesis (Masters)
Subjects:	Computer
Department:	College of Computing and Mathematics > Information and Computer Science
Thesis Advisor:	Hamzah Luqman,
Thesis Committee Members:	Shujaat Khan, Muzammil Behzad,
Depositing User:	DOAA DALAQ (g202320550)
Date Deposited:	13 May 2026 11:27
Last Modified:	13 May 2026 11:27
URI:	https://eprints.kfupm.edu.sa/id/eprint/144272