Diabetic Retinopathy (DR) refers to the damages endured by the retina as an effect of diabetes. DR has become a severe health concern worldwide, as the number of diabetes patients is soaring uncountably. Periodic eye examination allows doctors to detect DR in patients at an early stage to initiate proper treatments. Advancements in artificial intelligence and camera technology have allowed us to automate the diagnosis of DR, which can benefit millions of patients indeed. This paper inscribes a novel method for DR diagnosis based on the gray-level intensity and texture features extracted from fundus images using a decision tree-based ensemble learning technique. This study primarily works with the Asia Pacific Tele-Ophthalmology Society 2019 Blindness Detection (APTOS 2019 BD) dataset. We undertook several steps to curate its contents to make them more suitable for machine learning applications. Our approach incorporates several image processing techniques, two feature extraction techniques, and one feature selection technique, which results in a classification accuracy of 94.20% (margin of error: ±0.32%) and an F-measure of 93.51% (margin of error: ±0.5%). Several other parameters regarding the proposed method’s performance have been presented to manifest its robustness and reliability. Details on each employed technique have been included to make the provided results reproducible. This method can be a valuable tool for mass retinal screening to detect DR, thus drastically reducing the rate of vision loss attributed to it.

中文翻译：

---

通过对视网膜图像进行分析的集成学习算法对糖尿病性视网膜病变的严重程度进行分类

糖尿病性视网膜病（DR）指视网膜因糖尿病而遭受的损害。由于糖尿病患者的数量激增，DR已成为世界范围内严重关注健康的问题。定期的眼部检查使医生可以在早期发现患者的DR，从而开始适当的治疗。人工智能和摄像头技术的进步使我们能够自动诊断DR，这可以使数百万患者受益。本文基于基于决策树的集成学习技术，从眼底图像中提取灰度强度和纹理特征，提出了一种新的DR诊断方法。本研究主要与亚太远程眼科协会2019失明检测（APTOS 2019 BD）数据集一起使用。我们采取了一些步骤来整理其内容，以使其更适合于机器学习应用程序。我们的方法结合了多种图像处理技术，两种特征提取技术和一种特征选择技术，其分类精度为94.20％（误差范围：±0.32％），F度量为93.51％（误差范围： ±0.5％）。已经提出了有关拟议方法性能的其他几个参数，以证明其鲁棒性和可靠性。为了使所提供的结果具有可重复性，已对每种采用的技术进行了详细介绍。这种方法可能是用于视网膜大面积筛查以检测DR的有价值的工具，从而大大降低了归因于它的视力丧失的速度。我们的方法结合了多种图像处理技术，两种特征提取技术和一种特征选择技术，其分类精度为94.20％（误差范围：±0.32％），F度量为93.51％（误差范围： ±0.5％）。已经提出了有关拟议方法性能的其他几个参数，以证明其鲁棒性和可靠性。为了使所提供的结果具有可重复性，已对每种采用的技术进行了详细介绍。这种方法可能是用于视网膜大面积筛查以检测DR的有价值的工具，从而大大降低了归因于它的视力丧失的速度。我们的方法结合了多种图像处理技术，两种特征提取技术和一种特征选择技术，其分类精度为94.20％（误差范围：±0.32％），F度量为93.51％（误差范围： ±0.5％）。已经提出了有关拟议方法性能的其他几个参数，以证明其鲁棒性和可靠性。为了使所提供的结果具有可重复性，已对每种采用的技术进行了详细介绍。这种方法可能是用于视网膜大面积筛查以检测DR的有价值的工具，从而大大降低了归因于它的视力丧失的速度。已经提出了关于拟议方法性能的其他几个参数，以证明其鲁棒性和可靠性。为了使所提供的结果具有可重复性，已对每种采用的技术进行了详细介绍。这种方法可能是用于视网膜大面积筛查以检测DR的有价值的工具，从而大大降低了归因于它的视力丧失的速度。已经提出了有关拟议方法性能的其他几个参数，以证明其鲁棒性和可靠性。为了使所提供的结果可重现，已包括了每种技术的详细信息。这种方法可能是用于视网膜大面积筛查以检测DR的有价值的工具，从而大大降低了归因于它的视力丧失的速度。