arXiv:2511.14398v1 Announce Type: new 
Abstract: Diabetic Retinopathy (DR) has emerged as a major cause of preventable blindness in recent times. With timely screening and intervention, the condition can be prevented from causing irreversible damage. The work introduces a state-of-the-art Ordinal Regression-based DR Detection framework that uses the APTOS-2019 fundus image dataset. A widely accepted combination of preprocessing methods: Green Channel (GC) Extraction, Noise Masking, and CLAHE, was used to isolate the most relevant features for DR classification. Model performance was evaluated using the Quadratic Weighted Kappa, with a focus on agreement between results and clinical grading. Our Ordinal Regression approach attained a QWK score of 0.8992, setting a new benchmark on the APTOS dataset.

أصبحت اعتلال الشبكية السكري (DR) سببًا رئيسيًا للعمى القابل للتجنب. يمكن أن تمنع الفحوصات والتدخلات في الوقت المناسب الأضرار التي لا يمكن عكسها. تم تقديم إطار عمل جديد للكشف عن DR يعتمد على الانحدار الترتيبي، باستخدام مجموعة بيانات صور قاع العين APTOS-2019. يستخدم هذا الإطار مجموعة من طرق المعالجة المسبقة، بما في ذلك استخراج القناة الخضراء، وتغطية الضوضاء، وCLAHE، لعزل الميزات الأكثر صلة لتصنيف DR. حقق النموذج درجة كابا مربعة مرجحة قدرها 0.8992، مما يضع معيارًا جديدًا لمجموعة بيانات APTOS.

La retinopatía diabética (RD) se ha convertido en una de las principales causas de ceguera prevenible. La detección y la intervención oportunas pueden evitar daños irreversibles. Se ha introducido un nuevo marco de detección de RD basado en regresión ordinal, utilizando el conjunto de datos de imágenes de fondo APTOS-2019. Este marco emplea una combinación de métodos de preprocesamiento, incluyendo extracción del canal verde, enmascaramiento de ruido y CLAHE, para mejorar el aislamiento de características para la clasificación de RD. El modelo alcanzó un puntaje de Kappa cuadrático ponderado d…

La rétinopathie diabétique (RD) est devenue une cause majeure de cécité évitable. Un dépistage et une intervention rapides peuvent prévenir des dommages irréversibles. Un nouveau cadre de détection de la RD basé sur la régression ordinale a été introduit, utilisant le jeu de données d'images de fondus APTOS-2019. Ce cadre emploie une combinaison de méthodes de prétraitement, y compris l'extraction du canal vert, le masquage du bruit et le CLAHE, pour améliorer l'isolement des caractéristiques pour la classification de la RD. Le modèle a atteint un score de Kappa quadratique pondéré de 0,8992, …

Diabetic Retinopathy (DR) has become a leading cause of preventable blindness. Timely screening and intervention can prevent irreversible damage. A new framework for DR detection based on Ordinal Regression has been introduced, utilizing the APTOS-2019 fundus image dataset. The framework employs a combination of preprocessing methods, including Green Channel Extraction, Noise Masking, and CLAHE, to enhance feature isolation for DR classification. The model achieved a Quadratic Weighted Kappa score of 0.8992, establishing a new benchmark for the APTOS dataset.

Stage Aware Diagnosis of Diabetic Retinopathy via Ordinal Regression

arXiv:2512.04967v1 Announce Type: new 
Abstract: Automated retinal disease diagnosis is vital given the rising prevalence of conditions such as diabetic retinopathy and macular degeneration. Conventional deep learning approaches require large annotated datasets, which are costly and often imbalanced across disease categories, limiting their reliability in practice. Few-shot learning (FSL) addresses this challenge by enabling models to generalize from only a few labeled samples per class. In this study,we propose a balanced few-shot episodic learning framework tailored to the Retinal Fundus Multi-Disease Image Dataset (RFMiD). Focusing on the ten most represented classes, which still show substantial imbalance between majority diseases (e.g., Diabetic Retinopathy, Macular Hole) and minority ones (e.g., Optic Disc Edema, Branch Retinal Vein Occlusion), our method integrates three key components: (i) balanced episodic sampling, ensuring equal participation of all classes in each 5-way 5-shot episode; (ii) targeted augmentation, including Contrast Limited Adaptive Histogram Equalization (CLAHE) and color/geometry transformations, to improve minority-class di- versity; and (iii) a ResNet-50 encoder pretrained on ImageNet, selected for its superior ability to capture fine-grained retinal features. Prototypes are computed in the embedding space and classification is performed with cosine similarity for improved stability. Trained on 100 episodes and evaluated on 1,000 test episodes, our framework achieves substantial accuracy gains and reduces bias toward majority classes, with notable improvements for underrepresented diseases. These results demonstrate that dataset-aware few-shot pipelines, combined with balanced sampling and CLAHE-enhanced preprocessing, can deliver more robust and clinically fair retinal disease diagnosis under data-constrained conditions.

تقدم دراسة جديدة إطارًا للتعلم الإepisodic المتوازن القليل من اللقطات يهدف إلى تحسين دقة تشخيص الأمراض الشبكية الآلي، خاصةً لحالات مثل اعتلال الشبكية السكري والتنكس البقعي. تستخدم هذه الطريقة مجموعة بيانات صور قاع العين متعددة الأمراض (RFMiD) وتعالج تحدي البيانات غير المتوازنة في الأساليب التقليدية للتعلم العميق.

Un nuevo estudio presenta un marco de aprendizaje episódico equilibrado de pocos disparos que busca mejorar la precisión del diagnóstico automatizado de enfermedades retinianas, especialmente para condiciones como la retinopatía diabética y la degeneración macular. Este método utiliza el Conjunto de Datos de Imágenes de Fondo Retiniano Multi-Enfermedad (RFMiD) y aborda el desafío de los conjuntos de datos desequilibrados en los enfoques convencionales de aprendizaje profundo.

Une nouvelle étude présente un cadre d'apprentissage épisodique équilibré par apprentissage peu profond, visant à améliorer la précision du diagnostic automatisé des maladies rétiniennes, en particulier pour des conditions telles que la rétinopathie diabétique et la dégénérescence maculaire. Cette méthode utilise le jeu de données d'images rétiniennes multi-maladies (RFMiD) et aborde le défi des ensembles de données déséquilibrés dans les approches d'apprentissage profond conventionnelles.

A new study introduces a balanced few-shot episodic learning framework aimed at improving the accuracy of automated retinal disease diagnosis, particularly for conditions like diabetic retinopathy and macular degeneration. This method utilizes the Retinal Fundus Multi-Disease Image Dataset (RFMiD) and addresses the challenge of imbalanced datasets in conventional deep learning approaches.

Stage Aware Diagnosis of Diabetic Retinopathy via Ordinal Regression

Was this article worth reading? Share it

LucidQuery AI

Attentive AI

Eyeye