Дослідження зображень очного дна для виявлення стадії діабетичної ретинопатії за допомогою глибокого навчання
DOI:
https://doi.org/10.20535/RADAP.2023.94.49-57Ключові слова:
діабетична ретинопатія, сліпота, машинне навчання, нейронна мережа, діабет, цифрова обробка зображень, розпізнавання зображеньАнотація
Робота присвячена дослідженню зображень діабетичної ретинопатії за допомогою методів цифрової обробки та подальшої класифікації рівнів патологічних змін. У статті розглянуто застосування методів обробки зображень до проблеми аналізу діабетичної ретинопатії (ДР). Для вивчення можливостей машинного навчання для класифікації зображень сітківки ока у цій роботі було використано набір даних, що відображають 5 класів: відсутність ДР, помірну, легку, проліферативну стадії та важку ДР.
Метою цього дослідження є ідентифікація та порівняння різних методів обробки зображень, які застосовано для виявлення діабетичної ретинопатії, а також вибір методу класифікації, який забезпечує найвищу точність визначення стану людської сітківки у випадку ДР. Для визначення найкращих моделей класифікації діабетичної ретинопатії були застосовані нейронні мережі з налаштованими параметрами, такі як EfficientNet, ResNet та інші. Було визначено точність моделей і на основі цього запропоновано кроки попередньої обробки та комбінацію параметрів нейронної мережі, яка забезпечує найвищу точність визначення стану діабетичної ретинопатії, досягаючи 91,4% для завдання визначення 5 класів (відсутність ДР та 4 стадії ДР). Проміжні стадії розвитку діабетичної ретинопатії найважче відрізнити: найкраща модель показала 85,2% правильно визначених випадків помірної стадії діабетичної ретинопатії і 83% правильно визначених випадків легкої стадії.
Загалом, ця стаття підкреслює значущість штучного інтелекту та глибокого навчання у виявленні та класифікації діабетичної ретинопатії. Вона наголошує на необхідності поліпшення методів скринінгу, особливо у недостатньо обслуговуваних районах, та підкреслює потенціал цих технологій у збереженні зору, зменшенні робочого навантаження медичних працівників та сприянні широкому впровадженню у клінічну практику. У статті також визнаються проблеми, пов'язані з варіабельністю зображень та потенційним впливом на якість роботи моделей, що вимагає додаткових досліджень та покращення якості зображень.
Посилання
References
Li, F., Wang, Y., Xu, T., et al. (2022). Deep learning-based automated detection for diabetic retinopathy and diabetic macular edema in retinal fundus photographs. Eye, 36(6), 1433–1441. doi:10.1038/s41433-021-01552-8.
Rajalakshmi, R., Subashini, R., Anjana, R. M., Mohan, V. (2018). Automated diabetic retinopathy detection in smartphone-based fundus photography using artificial intelligence. Eye, 32, 1138-1144. doi: 10.1038/s41433-018-0064-9.
Lam C., Yi D., Guo M., Lindsey T. (2018). Automated Detection of Diabetic Retinopathy using Deep Learning. AMIA Jt Summits Transl Sci Proc., 2017:147-155.
Doshi D., Shenoy A., Sidhpura D. and Gharpure P. (2016). Diabetic retinopathy detection using deep convolutional neural networks. 2016 International Conference on Computing, Analytics and Security Trends (CAST), pp. 261-266. doi: 10.1109/CAST.2016.7914977.
Gulshan, V., Peng L., Coram M. et al. (2016). Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA, 13; 316(22):2402-2410. doi:10.1001/jama.2016.17216.
Asia, A.-O.; Zhu, C.-Z.; Althubiti, S. A.; et al. (2022). Detection of Diabetic Retinopathy in Retinal Fundus Images Using CNN Classification Models. Electronics, 11(17), 2740. doi:10.3390/electronics11172740.
Uppamma P., Bhattacharya S. (2023). Deep Learning and Medical Image Processing Techniques for Diabetic Retinopathy: A Survey of Applications, Challenges, and Future Trends. Journal of Healthcare Engineering, Volume 2023, Article ID 2728719. doi: 10.1155/2023/2728719.
Mohanty, C.; Mahapatra, S.; Acharya, B.; et al. (2023). Using Deep Learning Architectures for Detection and Classification of Diabetic Retinopathy. Sensors (Basel), 23(12), 5726. doi:10.3390/s23125726.
Sharma T., Shah M. (2021). A comprehensive review of machine learning techniques on diabetes detection. Visual Computing for Industry, Biomedicine, and Art, 4(1):30. doi: 10.1186/s42492-021-00097-7.
Shah P., Mishra D. K., Shanmugam M. P., Doshi B., Jayaraj H., Ramanjulu R. (2020). Validation of Deep Convolutional Neural Network-based algorithm for detection of diabetic retinopathy – Artificial intelligence versus clinician for screening. Indian J Ophthalmol, 68(2):398-405. doi: 10.4103/ijo.IJO_966_19.
Nadeem, M. W.; Goh, H. G.; Hussain, M.; Liew, S.-Y.; Andonovic, I.; Khan, M. A. (2022). Deep Learning for Diabetic Retinopathy Analysis: A Review, Research Challenges, and Future Directions. Sensors, 22(18), 6780. doi: 10.3390/s22186780.
Hollemans M. (2018). MobileNet V2, architecture.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Марко Басараб
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
