Diabetic retinopathy is a common condition of an ailment where the retina is harmed on the grounds that fluid breaks away from the walls of blood vessels into the retina. The large population is affected by diabetic retinopathy and hence research in the area of automated screening has acquired major research interest in the scientific community. The diagnosing features for diabetic retinopathy comprises of identifying deformations of minute blood vessel in form of exudates and its features occurring in and around the regions of fundus which will result into exudes, hemorrhages, or microaneurysms. This feature is often hard to be classified by naked eyes and need trained personnel for close inspection before making diagnosis. Therefore, a comprehensive machine learning tool is in the demand for automated diabetic retinopathy detection. Neural networks have given promising results in the field of classification. Therefore, we present a hybrid neural network-based method with realistic clinical potential. In this study, we present a neuro-fuzzy technique, which is developed for identification of exudates in retinal images and is utilized for the extraction of essential features from the retinal images of patient’s eyeballs. We trained this hybrid neural network base technique over a set of 25,600 training images for color retinal images and tested it over 12,000 testing image set for binocular model. The method achieves an accuracy of 95.4% recognition on non-noisy images and 93% on noisy images; thereby giving a consistency rate of 91% in correspondence with the ophthalmologist.

糖尿病性视网膜病是一种常见的疾病，其中，由于液体从血管壁破裂进入视网膜，视网膜受到损害。大量人群受到糖尿病性视网膜病的影响，因此自动筛选领域的研究已引起科学界的重大研究兴趣。糖尿病性视网膜病的诊断特征包括以渗出物的形式识别微小血管的变形，并且其特征出现在眼底区域内和周围，这将导致渗出，出血或微动脉瘤。此功能通常很难用肉眼进行分类，并且需要经过培训的人员在进行诊断之前进行仔细检查。因此，需要一种全面的机器学习工具来自动检测糖尿病性视网膜病变。在分类领域，神经网络已经给出了令人鼓舞的结果。因此，我们提出了一种具有现实临床潜力的基于混合神经网络的方法。在这项研究中，我们提出了一种神经模糊技术，该技术用于识别视网膜图像中的渗出液，并用于从患者眼球的视网膜图像中提取基本特征。我们在一组25,600张用于彩色视网膜图像的训练图像上训练了这种混合神经网络基础技术，并在用于双眼模型的12,000张测试图像上对其进行了测试。该方法在无噪图像上的识别精度达到95.4％，在噪波图像上的识别精度为93％。因此与眼科医生相对应的一致性率为91％。我们提出了一种基于混合神经网络的方法，具有现实的临床潜力。在这项研究中，我们提出了一种神经模糊技术，该技术用于识别视网膜图像中的渗出液，并用于从患者眼球的视网膜图像中提取基本特征。我们在一组25,600张用于彩色视网膜图像的训练图像上训练了这种混合神经网络基础技术，并在用于双眼模型的12,000张测试图像上对其进行了测试。该方法在无噪图像上的识别精度达到95.4％，在噪波图像上的识别精度为93％。因此与眼科医生相对应的一致性率为91％。我们提出了一种基于混合神经网络的方法，具有现实的临床潜力。在这项研究中，我们提出了一种神经模糊技术，该技术用于识别视网膜图像中的渗出液，并用于从患者眼球的视网膜图像中提取基本特征。我们在一组25,600张用于彩色视网膜图像的训练图像上训练了这种混合神经网络基础技术，并在用于双眼模型的12,000张测试图像上对其进行了测试。该方法在无噪图像上的识别精度达到95.4％，在噪波图像上的识别精度为93％。因此与眼科医生相对应的一致性率为91％。它被开发用于识别视网膜图像中的渗出液，并用于从患者眼球的视网膜图像中提取基本特征。我们在一组25,600张用于彩色视网膜图像的训练图像上训练了这种混合神经网络基础技术，并在用于双眼模型的12,000张测试图像上对其进行了测试。该方法在无噪图像上的识别精度达到95.4％，在噪波图像上的识别精度为93％。因此与眼科医生相对应的一致性率为91％。它被开发用于识别视网膜图像中的渗出液，并用于从患者眼球的视网膜图像中提取基本特征。我们在一组25,600张用于彩色视网膜图像的训练图像上训练了这种混合神经网络基础技术，并在用于双眼模型的12,000张测试图像上对其进行了测试。该方法在无噪图像上的识别精度达到95.4％，在噪波图像上的识别精度为93％。因此与眼科医生相对应的一致性率为91％。非噪点图像识别率为4％，噪点图像识别率为93％；因此与眼科医生相对应的一致性率为91％。非噪点图像识别率为4％，噪点图像识别率为93％；因此与眼科医生相对应的一致性率为91％。