.png)
.png)
Послать статью по эл. почте 
Нейросетевой классификатор для определения диабетической ретинопатии по изображениям сетчатки
https://doi.org/10.21122/2309-4923-2023-1-25-34
Аннотация
С распространением сахарного диабета диабетическая ретинопатия (ДР) становится основной проблемой здравоохранения (особенно в развивающихся странах). Долгосрочные осложнения, возникающие врезультате ДР, оказываютзначительноевлияниенапациентов. Ранняядиагностикаипоследующеелечение могут уменьшить наносимый здоровью вред. Предсказательная аналитика может быть основа на анализе изображений сетчатки глаза человека с помощью сверточных нейронных сетей. В работе исследования сосредоточены на разработке эффективного метода определения ДР на основе сверточной нейронной сети EfficientNet, технологии самообучения и операций аугментации данных. В результате экспериментов разработан нейросетевой классификатор на основе сверточных нейросетей, даны рекомендации для проведения аугментации данных. Эксперименты выполнены на публичном наборе данных и показали, что возможно достичь доли правильно классифицированных объектов равной 97,14 % на тестовом наборе из публичного набора данных.
Об авторе
М. М. ЛукашевичБеларусь
Лукашевич Марина Михайловна - кандидат технических наук, доцент, докторант
Минск, Республика Беларусь
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. Taylor, R., Batey, D. Handbook of retinal screening in diabetes. ‒ Wiley, 2006.
3. The Diabetic Retinopathy Clinical Research Network: Aflibercept, bevacizumab, or ranibizumab for diabetic macular edema. N Engl J Med372(13):1193-1203, 2015. doi: 10.1056/NEJMoa1414264
4. Beaulieu, W.T., Bressler, N.M., Melia, M., et al. Panretinal photocoagulation versus ranibizumab for proliferative diabetic retinopathy: Patient-centered outcomes from a randomized clinical trial. Am J Ophthalmol 170:206-213, 2016. doi: 10.1016/j.ajo.2016.08.008
5. Mookiah, M.R.K., Acharya, U.R., Chua, C.K., Lim, C.M., Ng, E., Laude, A. Computer-aided diagnosis of diabetic retinopathy: a review. Comput Biol Med. 2013;43(12):2136–2155. doi: 10.1016/j.compbiomed.2013.10.007
6. Lam, C., Yi, D., Guo, M., Lindsey, T. Automated detection of diabetic retinopathy using deep learning. AMIA Summit Translat Sci Proc. 2018;2018:147.
7. Bargshady, G., Zhou, X., Deo, R., Soar, J., Whittaker, F., Wang, H. Enhanced deep learning algorithm development to detect pain intensity from facial expression images. Expert Syst Appl. 2020;149:113305. doi: 10.1016/j.eswa.2020.113305
8. Sarki, R., Ahmed, K., Wang, H., Zhang, Y. Automatic detection of diabetic eye disease through deep learning using fundus images: a survey. IEEE Access. 2020;8:151133–151149. doi: 10.1109/ACCESS.2020.3015258
9. Gargeya, R., Leng, T. Automated identification of diabetic retinopathy using deep learning. Ophthalmology. 2017;124(7):962–969. doi: 10.1016/j.ophtha.2017.02.008
10. Litjens, G., Kooi ,T., Bejnordi, B.E., Setio, A.A.A., Ciompi, F., Ghafoorian, M., Van Der Laak, J.A., Van Ginneken, B., Sánchez, C.I. A survey on deep learning in medical image analysis. Med Image Anal. 2017;42:60–88. doi: 10.1016/j.media.2017.07.005
11. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks [Электронный ресурс]. – Режим доступа: https://arxiv.org/abs/1905.11946
12. Wang, Jing & Yang, Liu & Huo, Zhanqiang & He, Weifeng & Luo, Junwei. (2020). Multi-Label Classification of Fundus Images With EfficientNet. IEEE Access. 8. 212499-212508. doi: 10.1109/ACCESS.2020.3040275.
13. Parthiban, K., Kamarasan, M. EfficientNet with Optimal Wavelet Neural Network for DR Detection and Grading, 2022 4th International Conference on Smart Systems and Inventive Technology (ICSSIT), Tirunelveli, India, 2022, pp. 10811086, doi: 10.1109/ICSSIT53264.2022.9716528
14. Bulut, B., Kalın, V. , Bektaş Güneş, B. & Khazhin, R. (2022). Classification of Eye Disease from Fundus Images Using EfficientNet. Artificial Intelligence Theory and Applications , 2(1), 1-7 . Retrieved from https://dergipark.org.tr/en/pub/aita/issue/70443/1134144
15. Zhu, S., Lu B., Wang, C, Wu, M., Zheng, B., Jiang, Q., Wei, R., Cao, Q., Yang, W. Screening of Common Retinal Diseases Using Six-Category Models Based on EfficientNet. Front Med (Lausanne). 2022 Feb 23;9:808402. doi: 10.3389/ fmed.2022.808402. PMID: 35280876; PMCID: PMC8904395.
16. ImageNet [Электронный ресурс]. – Режим доступа: https://www.image-net.org/. – Дата доступа : 28.08.2023.
17. Deep transfer learning for image classification: a survey [Электронный ресурс]. – Режим доступа: https://arxiv. org/abs/2205.09904. – Дата доступа : 28.08.2023.
18. Kim, H.E., Cosa-Linan, A., Santhanam, N. et al. Transfer learning for medical image classification: a literature review. BMC Med Imaging 22, 69 (2022). doi: 10.1186/s12880-022-00793-7
19. Zhou, Z., Shin, J., Zhang, L., Gurudu, S., Gotway, M., Liang, J. Fine-tuning Convolutional Neural Networks for Biomedical Image Analysis: Actively and Incrementally. Proc IEEE Comput Soc Conf Comput Vis Pattern Recognit. 2017 Jul;2017:4761-4772. doi: 10.1109/CVPR.2017.506. Epub 2017 Nov 9. PMID: 30337799; PMCID: PMC6191179.
20. COCO – Common Objects in Context [Электронный ресурс]. – Режим доступа: https://cocodataset.org/. – Дата доступа : 28.08.2023.
21. Rethinking ImageNet Pre-training [Электронный ресурс]. – Режим доступа: https://arxiv.org/pdf/1811.08883.pdf. – Дата доступа : 28.08.2023.
22. Rethinking Pre-training and Self-training [Электронный ресурс]. – Режим доступа: https://arxiv.org/pdf/2006.06882.pdf. – Дата доступа : 28.08.2023.
23. Self-training with Noisy Student improves ImageNet classification [Электронный ресурс]. – Режим доступа: https://arxiv.org/pdf/1911.04252.pdf. – Дата доступа : 28.08.2023.
24. Models [Электронный ресурс]. – Режим доступа: https://github.com/rwightman/pytorch-image-models/releases/download/v0.1-weights/tf_efficientnet_b4_ns-d6313a46.pth. – Дата доступа : 28.08.2023.
25. APTOS 2019 Blindness Detection [Электронный ресурс]. – Режим доступа: https://www.kaggle.com/c/aptos2019-blindness-detection/. – Дата доступа : 28.08.2023.
26. PyTorch [Электронный ресурс]. – Режим доступа: https://pytorch.org. – Дата доступа : 28.08.2023.
27. Image Data Augmentation for Deep Learning: A Survey [Электронный ресурс]. – Режим доступа: https://arxiv.org/abs/2204.08610. – Дата доступа : 28.08.2023.
28. Adam: A Method for Stochastic Optimization [Электронный ресурс]. – Режим доступа: https://arxiv.org/abs/1412.6980. – Дата доступа : 28.08.2023.
29. Uses and Abuses of the Cross-Entropy Loss: Case Studies in Modern Deep Learning [Электронный ресурс]. – Режим доступа: https://arxiv.org/abs/2011.05231. – Дата доступа : 28.08.2023.
Дополнительные файлы
Для цитирования: Лукашевич М.М. Нейросетевой классификатор для определения диабетической ретинопатии по изображениям сетчатки. «Системный анализ и прикладная информатика». 2023;(1):25-34. https://doi.org/10.21122/2309-4923-2023-1-25-34
For citation: Lukashevich M.M. A neural network classifier for detecting diabetic retinopathy from retinal images. «System analysis and applied information science». 2023;(1):25-34. (In Russ.) https://doi.org/10.21122/2309-4923-2023-1-25-34
Обратные ссылки
- Обратные ссылки не определены.
