Offline AI Model für Diabetische Retinopathie Stages Detection mit Edge Impulse bauen

Ein portables Medical Device, das diabetische Retinopathie-Stadien ohne Internetverbindung akkurat identifiziert, könnte Blindheit weltweit drastisch reduzieren. Mit Embedded Machine Learning sind Algorithmen, die direkt auf batteriebetriebener Hardware laufen, nun viable. Dieser Artikel walks through Steps, um solches Model mit Edge Impulse Platform zu trainieren.

Diabetische Retinopathie schädigt Blutgefäße im Augenhintergrund, oft progressing zu Blindheit wenn unbehandelt. Mehr als zwei von fünf Amerikanern mit Diabetes haben Form der Disease, making Early Detection Critical. In Rural Areas wo Vision Care scarce ist, werden selbst milde Cases häufig verpasst bis sie Severe werden.

Um dies anzugehen, leveraged wir Publicly Available Dataset zum Trainieren eines Models, das DR Severity aus Retinal Camera Images assessen kann. Dataset divided in Five Classes:

• No DR
• Mild DR
• Moderate DR
• Severe DR
• Proliferative DR

Patient Identifiers ersetzt mit id_code und Diagnosis Score 0 (No DR) bis 5 (Proliferative DR). Dataset Link.

Da Images in Flat Structure Stored waren, schrieb ich VBA Script zum Lesen Excel Liste id_code Values, Locate Each Image, Move in Corresponding Class Folder. Script available here. Python oder andere Language: Similar Automation Straightforward.

Edge Impulse vereinfacht Ingestion via Data Upload Interface. Ich performed Five Separate Uploads – One Per Class – Labeling Each Folder Appropriately. Platform bietet auch Cloud Bucket Integration und Device Collection, aber Manual Upload worked Best für unser Dataset.

Edge Impulse splittet Data automatisch 80/20 in Training/Testing Sets, aber ich added ~500 Images Manually zu Test Set für Better Class Balance.

Für Model: Image Block selected, Transfer-Learning Architecture Applied für Classification Five DR Stages. Initial Training Yielded Best Accuracy ~74% – Respektabel, aber Highlights Misclassifications – Especially Between Severe und Mild DR. Confusion Matrix (Below) Illustrates Challenge.

In Real-World Deployment: Portable Retinal Camera Captured Image, Runs Model Locally, Immediately Notifies Clinician Whether Patient Requires Follow-up. Priority: Detect All DR Stages – Current Accuracy Acceptable für Screening Tool.

Possible Improvements:

• Acquiring More Labeled Data zur Varianz Reduktion.
• Combining Adjacent Classes (z. B. Mild-Moderate, Severe-Proliferative) zur Decision Boundary Simplification.
• Fine-Tuning Neural Network Layers und Dropout Rates.

Final Model Occupies 306 kB Flash und 236 kB RAM. Auf Cortex‑M4 @ 80 MHz Inference Time 0,8 s bis 6 s, Cortex‑M7 @ 216 MHz Faster – Suitable für Handheld Devices Capturing Images On-the-Fly.

Summary: Demonstrated dass Open-Source Dataset Effective Edge Model für Diabetic Retinopathy Detection trainieren kann. Deploying Such Models auf Embedded Microcontrollers oder Lightweight Linux Devices bringt Reliable Screening zu Remote/Underserved Communities, Overcoming Connectivity Barriers.

Further Details und Future Work Available here.