Розширені методи виявлення контурів для покращеної діагностики діабетичної ретинопатії з використанням машинного навчання
DOI:
https://doi.org/10.20535/RADAP.2024.97.67-75Ключові слова:
діабетична ретинопатія, виявлення контурів, машинне навчання, оператор Собеля, детектор контурів Кані, APTOS 2019, нейронні мережі, медична візуалізація, рання діагностика, порушення зоруАнотація
Діабетична ретинопатія (ДР) є одним із найсерйозніших ускладнень, пов’язаних із цукровим діабетом, що становить значну загрозу для зору та призводить до серйозних порушень і потенційної сліпоти, якщо не діагностувати та не лікувати вчасно. Дослідження висвітлює інтеграцію передових методів виявлення контурів з алгоритмами машинного навчання для підвищення точності та ефективності діагностики ДР. Використовуючи набір даних APTOS 2019 Blindness Detection, у дослідженні використовується комбінація методів виявлення контурів, таких як оператор Sobel і детектор контурів Canny, а також вдосконалені методи попередньої обробки та комплексні методи вилучення ознак. Дослідження показує, що ефективність цих методів виявлення контурів і машинного навчання значно підвищує діагностичну точність нейронних мереж. Зокрема, точність багатокласової класифікації (що охоплює п’ять категорій: відсутність діабетичної ретинопатії, легка, помірна, важка та проліферативна діабетична ретинопатія) покращилася з 78,5% до 88,2%. Це помітне покращення підкреслює потенціал цих методів у вдосконаленні діагностичних процесів для раннього виявлення ДР. Підвищуючи точність класифікації, цей підхід не тільки сприяє ранньому втручанню, але й відіграє вважливу роль у зниженні ризику цілковитої втрати зору серед пацієнтів з діабетом. Результати цього дослідження підкреслюють важливість інтеграції передових методів обробки зображень із структурами машинного навчання в медичній діагностиці. Покращені результати, продемонстровані в цьому дослідженні, підкреслюють потенціал таких технологічних досягнень для значного внеску в офтальмологію, що призведе до кращого догляду за пацієнтами та потенційно змінить стандарт практики діагностики ДР.
Посилання
References
Yuan Y., Zhang Y., Zhu L., Cai L., Qian Y. (2024). Exploiting Cross-Scale Attention Transformer and Progressive Edge Refinement for Retinal Vessel Segmentation. Mathematics, Vol. 12(2), 264. DOI: 10.3390/math12020264.
Jiang Y., Zhang H., Tan N., Chen L. (2019). Automatic Retinal Blood Vessel Segmentation Based on Fully Convolutional Neural Networks. Symmetry, Vol. 11(9), 1112. DOI: 10.3390/sym11091112.
Gojić G., Kundačina O., Mišković D., Dragan D. (2023). Overview of Deep Learning Methods for Retinal Vessel Segmentation. arXiv. DOI: 10.48550/arXiv.2306.06116.
Shukla U. V., Tripathy K. (2024). Diabetic Retinopathy. StatPearls, Treasure Island (FL): StatPearls Publishing.
NHS. (2021). Diabetic retinopathy. NHS.
Chen W., Xiao L., Bai J., Zeng W., Yang M., Shi B., Zhu C. (2018). The promotion of tissue engineering blood vessel patency by CGS21680 through regulating pro-inflammatory activities of endothelial progenitor cell. J Biomed Mater Res A, Vol. 106(10), pp. 2634-2642. DOI: 10.1002/jbm.a.36457.
Canny J. (1986). A Computational Approach to Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. PAMI-8, Iss. 6, pp. 679-698. DOI: 10.1109/TPAMI.1986.4767851.
Subbiah A., Mahajan S., Yadav R. K., Agarwal S. K. (2018). Intravenous immunoglobulin therapy for dengue capillary leak syndrome in a renal allograft recipient. BMJ Case Rep, 2018:bcr2018225225. DOI: 10.1136/bcr-2018-225225.
Tajbakhsh N., Shin J. Y., Gurudu S. R. et al. (2016). Convolutional Neural Networks for Medical Image Analysis: Full Training or Fine Tuning? IEEE Trans Med Imaging, Vol. 35(5), pp. 1299-1312. DOI: 10.1109/TMI.2016.2535302.
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, Vol. 316(22), pp. 2402-2410. DOI: 10.1001/jama.2016.17216.
Skouta A., Elmoufidi A., Jai-Andaloussi S. et al. (2023). Deep learning for diabetic retinopathy assessments: a literature review. Multimed Tools Appl, Vol. 82, pp. 41701–41766. DOI: 10.1007/s11042-023-15110-9.
Kaggle. APTOS 2019 blindness detection competition. Kaggle.
Armi, L., Fekri-Ershad, S. (2019). Texture image analysis and texture classification methods - A review. International Online Journal of Image Processing and Pattern Recognition, Vol. 2, No. 1, pp. 1-29. DOI: 10.48550/arXiv.1904.06554.
Clausi D. A. (2002). An analysis of co-occurrence texture statistics as a function of gray level quantization. Can J Remote Sens, Vol. 28(1), pp. 45-62. DOI: 10.5589/m02-004.
Venkataramani D., Veeranan J., Pitchai L. (2022). Fractal analysis of retinal vasculature in relation with retinal diseases – a machine learning approach. Nonlinear Engineering, Vol. 11(1), pp. 411-419. DOI: 10.1515/nleng-2022-0233.
Lyu X., Jajal P., Tahir M. Z. et al. (2022). Fractal dimension of retinal vasculature as an image quality metric for automated fundus image analysis systems. Sci Rep, Vol. 12, 11868. DOI: 10.1038/s41598-022-16089-3.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Марко Басараб, Kateryna Ivanko
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.
