.png)
.png)
Послать статью по эл. почте 
Классификация стадий диабетической ретинопатии на основе нейронных сетей
https://doi.org/10.21122/2309-4923-2022-3-12-21
Аннотация
Диабетическая ретинопатия является одним из основных побочных эффектов диабета, которая вызывает тяжелые последствия, вплоть до слепоты. Основной задачей является ранняя диагностика данного заболевания с целью своевременного и эффективного лечения. Диабетическая ретинопатия может быть обнаружена гораздо быстрее и более точно, если использовать методы машинного обучения для анализа изображений сетчатки глаза человека. Разработка методов и алгоритмов детекции и классификации данного заболевания, а также автоматизация этого процесса, являются актуальными задачами и экономически эффективным мероприятием.
В статье основное внимание уделено вопросу классификации стадий диабетической ретинопатии с помощью нейронных сетей на основе изображений сетчатки глаза человека. Oписана задача классификации стадий диабетической ретинопатии, а также предложено использование архитектуры глубоких нейронных сетей на основе VGG16 и VGG19 с добавление пользовательских слоёв. В результате проведенных экспериментальных исследований приведены рекомендации по выбору размера исходных изображений сетчатки глаза, а также этапу предварительной обработки (обрезке изображения).
Выполнено исследование используемого набора данных, в результате чего обучение моделей нейронных сетей и оценка результатов проводилась с учетом дисбаланса классов.
Об авторах
М. М. ЛукашевичБеларусь
Лукашевич Марина Михайловна, кандидат технических наук, доцент, докторант
Минск
Ю. И. Голуб
Беларусь
Голуб Юлия Игоревна, кандидат технических наук, доцент, старший научный сотрудник
Минск
Список литературы
1. Bourne, R.R. Vision Loss Expert Group. Causes of vision loss worldwide, 1990-2010: a systematic analysis / R.R. Bourne, G.A. Stevens, R.A. White, J.L. Smith, S.R. Flaxman, H. Price, J.B. Jonas, J. Keeffe, J. Leasher, K. Naidoo, K. Pesudovs, S. Resnikoff, H.R. Taylor // Lancet Glob Health 2013. – T. 1, №6. C. 339-349. doi: 10.1016/S2214-109X(13)70113-X.
2. Diabetic Retinopathy: National Eye Institute [Электронный ресурс]. – Режим доступа: https://nei.nih.gov/health/diabetic/retinopathy. – Дата доступа : 17.08.2022.
3. World Health Organization: Diabetes [Электронный ресурс]. – Режим доступа: https://www .who.int/news-room/ fact-sheets/detail/diabetes. – Дата доступа : 17.08.2022.
4. Stolte, S. A survey on medical image analysis in diabetic retinopathy / S. Stolte, R. Fang // Medical Image Analysis. – 2020. – T. 64. – C. 1-76. https://doi.org/10.1016/j.media.2020.101742.
5. Gulshan, V. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs / V. Gulshan [et al.] // JAMA. – 2016. – T. 316, № 2. – С. 2402-2410 (2016). https://doi.org/10.1001/jama.2016.17216.
6. Gargeya, R. Automated identifi of diabetic retinopathy using deep learning / R. Gargeya, T. Leng // Ophthalmology. – 2017. – T. 124, № 7. – C. 962–969. doi: 10.1016/j.ophtha.2017.02.008.
7. Alyoubi, W.L. Diabetic Retinopathy Detection through Deep Learning Technique: A Review / W.L. Alyoubi, W.M. Shalash, M.F. Abulkhair // Informatics in Medicine Unlocked. 2020. T. 20. – C. 1–11. doi: 10.1016/j.imu.2020.100377.
8. Li, T. Diagnostic assessment of deep learning algorithms for diabetic retinopathy screening / T. Li [et al.] // Information Sciences. 2019. T. 501.C. 511–522. https://doi.org/10.1016/j.ins.2019.06.011
9. APTOS 2019 Blindness Detection [Электронный ресурс]. – Режим доступа: https://www.kaggle.com/competitions/aptos2019-blindness-detection/data. – Дата доступа : 17.08.2022.
10. Sim, D.A. Patterns of peripheral retinal and central macula ischemia in diabetic retinopathy as evaluated by ultra-widefi fl angiography / D.A. Sim [et al.] // American Journal of Ophthalmology. –2014. – T. 158. – C. 144–153.
11. Wejdan L. Alyoubi Diabetic retinopathy detection through deep learning techniques: A review / Wejdan L. Alyoubi, Wafaa M. Shalash, Maysoon F. Abulkhair // Informatics in Medicine Unlocked. – 2020. – T. 20. – C. 1-11. https://doi.org/10.1016/j.imu.2020.100377.
12. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition [Электронный ресурс]. – Режим доступа: https://arxiv.org/pdf/1409.1556. – Дата доступа : 17.08.2022.
13. Géron, A. Hands-on machine learning with Scikit-Learn, Keras and TensorFlow: concepts, tools, and techniques to build intelligent systems (2nd ed.) / A. Géron O’Reilly Media, Inc., 2019. – 856 P.
14. Zhuang, F. A comprehensive survey on transfer learning / F. Zhuang [et al.] // Proceedings of the IEEE. – 2020. – Т. 109. – №. 1. – С. 43-76.
15. Russakovsky, O. Imagenet large scale visual recognition challenge / Olga Russakovsky, Jia Deng, Hao Su, Jonathan Krause, Sanjeev Satheesh, Sean Ma, Zhiheng Huang, Andrej Karpathy, Aditya Khosla, Michael Bernstein, et al. // International Journal of Computer Vision. – 2015. – T. 115, № 3. – C. 211–252.
16. Srivastava, N. Dropout: a simple way to prevent neural networks from overfi / Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdinov // Journal of Machine Learning Research – 2014 T. 15, № 1. C. 1929–1958.
17. Ioffe S. Batch normalization: Accelerating deep network training by reducing internal covariate shift / S. Ioffe, C. Szegedy // International conference on machine learning. – PMLR. 2015. – С. 448-456.
18. Brock A. et al. Freezeout: Accelerate training by progressively freezing layers [Электронный ресурс]. – Режим доступа: https://arxiv.org/pdf/1706.04983. – Дата доступа : 17.08.2022.
19. Ruder S. An overview of gradient descent optimization algorithms [Электронный ресурс]. – Режим доступа: https://arxiv.org/pdf/1609.04747. – Дата доступа : 17.08.2022.
20. Goutte, C. A Probabilistic Interpretation of Precision, Recall and F-Score, with Implication for Evaluation / Goutte, Cyril, Gaussier, Eric.// Lecture Notes in Computer Science. – 2005. – T. 3408. – C.345-359. doi: 10.1007/978-3-540-31865-1_25.
21. Salamat, N. Diabetic retinopathy techniques in retinal images: A review / N. Salamat, MMS. Missen, A. Rashid // Artifi Intelligence in Medicine. – 2019. – T. 97. – C. 168-188. doi: 10.1016/j.artmed.2018.10.009.
22. Y.I. Starovoitov, V.V. A Universal Retinal Image Template for Automated Screening of Diabetic Retinopathy / V.V. Starovoitov, Golub, M.M. Lukashevich // Pattern Recognition and Image Analysis. – 2022. – T. 32. – C. 322–331. https://doi.org/10.1134/S1054661822020195.
Дополнительные файлы
Для цитирования: Лукашевич М.М., Голуб Ю.И. Классификация стадий диабетической ретинопатии на основе нейронных сетей. «Системный анализ и прикладная информатика». 2022;(3):12-21. https://doi.org/10.21122/2309-4923-2022-3-12-21
For citation: Lukashevich M.M., Golub Y.I. Classification of diabetic retinopathy stages based on neural networks. «System analysis and applied information science». 2022;(3):12-21. (In Russ.) https://doi.org/10.21122/2309-4923-2022-3-12-21
Обратные ссылки
- Обратные ссылки не определены.
