Реалізація згорткової нейронної мережі для прогнозування глаукоми за зображеннями очного дна

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2022.269229

Ключові слова:

глибоке навчання, глаукома, згорткова нейронна мережа, зображення очного дна, обробка зображень

Анотація

Внесок даної роботи складається з двох аспектів. По-перше, для виявлення та моніторингу глаукоми використовуються інструменти машинного навчання. По-друге, дається уявлення про медицину, що може допомогти медичним працівникам підвищити точність діагностики захворювань і допомогти знизити прогресування та дегенерацію гангліозних клітин сітківки у пацієнтів. Глаукома –це група очних захворювань, при яких пошкоджується зоровий нерв, що може призвести до втрати зору та сліпоти в будь-якому віці. Основним симптомом глаукоми на ранніх стадіях є підвищений внутрішньоочний тиск. Досі невідомо, що викликає розвиток цих захворювань, але відсутність лікування призводить до атрофії зорового нерва. З цієї причини в даній роботі ми пропонуємо нову систему глибокого навчання для автоматичної діагностики глаукоми з використанням згорткової нейронної мережі для класифікації, яка демонструє поліпшену продуктивність та фіксує час обчислень для зображень очного дна. Результати показали точність 94 % і величину втрат всього 0,27. Модель, яку ми створили для дослідження за допомогою Keras, допомогла нам досягти хороших результатів у процесі навчання та тестування. Результати дослідження демонструють здатність моделі глибокого навчання ідентифікувати глаукому за зображеннями очного дна. Збільшення розміру фільтрів та навчання моделі призвели до підвищення точності. Опитування населення, проведене у 2019 році, показує, що більшість пацієнтів з глаукомою дізнаються про своє захворювання пізно, після того, як хвороба викликає високий рівень ураження зорового нерва і високий відсоток втрати зору. Рання діагностика та виявлення глаукоми з використанням технології візуалізації зорового нерва викликали широкий клінічний інтерес з точки зору зупинки або уповільнення прогресування захворювання, що дозволило розробити нові алгоритми автоматизації діагностики захворювань очей

Спонсор дослідження

  • This research has been funded by the Science Committee of the Ministry of Education and Science of the Republic of Kazakhstan (Grant No. AP13068032).

Біографії авторів

Sabina Rakhmetulayeva, International Information Technology University

PhD, Associate Professor

Department of Information Systems

Zarina Syrymbet, International Information Technology University

Bachelor of Science in Computer Science, Master Student

Department of Information Systems

Посилання

  1. Myltykbay, N. U. (2021). Otsenka effektivnosti skrininga glaukomy v Respublike Kazahstan, Molodoy ucheniy, 53 (395).
  2. Botabekova, T. K., Aldasheva, N. A., Tashtitova, L. B., Islamova, S. E., Asylbekova, A. A. (2010), Effektivnost' gosudarstvennogo skrininga na glaukomu v Respublike Kazahstan. Tochka zreniya. Vostok - Zapad, 1, 9–11. Available at: https://eyepress.ru/article.aspx?20618
  3. Botabekova, T. K., Aldasheva, N. A., Islamova, S. E., Kramorenko, J. S. (2010). Efficacy of emergence of glaucoma based on different type of screening. Oftal'mologicheskie vedomosti, 3 (4), 29–31.
  4. Duisebekova, K. S., Kozhamzharova, D. K., Rakhmetulayeva, S. B., Umarov, F. A., Aitimov, M. Zh. (2020). Development of an information-analytical system for the analysis and monitoring of climatic and ecological changes in the environment. Procedia Computer Science, 170, 578–583. doi: https://doi.org/10.1016/j.procs.2020.03.128
  5. Sabina, R., Zarina, S. (2022). Convolutional Neural Network Analysis of Fundus for Glaucoma Diagnosis. 2022 International Conference on Smart Information Systems and Technologies (SIST). doi: https://doi.org/10.1109/sist54437.2022.9945723
  6. Bhatkalkar, B. J., Reddy, D. R., Prabhu, S., Bhandary, S. V. (2020). Improving the Performance of Convolutional Neural Network for the Segmentation of Optic Disc in Fundus Images Using Attention Gates and Conditional Random Fields. IEEE Access, 8, 29299–29310. doi: https://doi.org/10.1109/access.2020.2972318
  7. Civit-Masot, J., Dominguez-Morales, M. J., Vicente-Diaz, S., Civit, A. (2020). Dual Machine-Learning System to Aid Glaucoma Diagnosis Using Disc and Cup Feature Extraction. IEEE Access, 8, 127519–127529. doi: https://doi.org/10.1109/access.2020.3008539
  8. Civit-Masot, J., Luna-Perejon, F., Vicente-Diaz, S., Rodriguez Corral, J. M., Civit, A. (2019). TPU Cloud-Based Generalized U-Net for Eye Fundus Image Segmentation. IEEE Access, 7, 142379–142387. doi: https://doi.org/10.1109/access.2019.2944692
  9. Ting, D. S. W., Pasquale, L. R., Peng, L., Campbell, J. P., Lee, A. Y., Raman, R. et al. (2018). Artificial intelligence and deep learning in ophthalmology. British Journal of Ophthalmology, 103 (2), 167–175. doi: https://doi.org/10.1136/bjophthalmol-2018-313173
  10. Akkara, J., Ajitha, S., Judy, M. (2021). Identification of glaucoma from fundus images using deep learning techniques. Indian Journal of Ophthalmology, 69 (10), 2702. doi: https://doi.org/10.4103/ijo.ijo_92_21
  11. Hemelings, R., Elen, B., Barbosa-Breda, J., Blaschko, M. B., De Boever, P., Stalmans, I. (2021). Deep learning on fundus images detects glaucoma beyond the optic disc. Scientific Reports, 11 (1). doi: https://doi.org/10.1038/s41598-021-99605-1
  12. Lee, T., Jammal, A. A., Mariottoni, E. B., Medeiros, F. A. (2021). Predicting Glaucoma Development With Longitudinal Deep Learning Predictions From Fundus Photographs. American Journal of Ophthalmology, 225, 86–94. doi: https://doi.org/10.1016/j.ajo.2020.12.031
  13. Devecioglu, O. C., Malik, J., Ince, T., Kiranyaz, S., Atalay, E., Gabbouj, M. (2021). Real-Time Glaucoma Detection From Digital Fundus Images Using Self-ONNs. IEEE Access, 9, 140031–140041. doi: https://doi.org/10.1109/access.2021.3118102
  14. Zhou, C., Ye, J., Wang, J., Zhou, Z., Wang, L., Jin, K. et al. (2022). Improving the generalization of glaucoma detection on fundus images via feature alignment between augmented views. Biomedical Optics Express, 13 (4), 2018. doi: https://doi.org/10.1364/boe.450543
  15. Song, W. T., Lai, I.-C., Su, Y.-Z. (2021). A Statistical Robust Glaucoma Detection Framework Combining Retinex, CNN, and DOE Using Fundus Images. IEEE Access, 9, 103772–103783. doi: https://doi.org/10.1109/access.2021.3098032
  16. Diaz-Pinto, A., Morales, S., Naranjo, V., Köhler, T., Mossi, J. M., Navea, A. (2019). CNNs for automatic glaucoma assessment using fundus images: an extensive validation. BioMedical Engineering OnLine, 18 (1). doi: https://doi.org/10.1186/s12938-019-0649-y
  17. Rakhmetulayeva, S. B., Duisebekova, K. S., Kozhamzharova, D. K., Aitimov, M. Zh. (2021). Pollutant transport modeling using Gaussian approximation for the solution of the semi-empirical equation. Journal of Theoretical and Applied Information Technology, 99 (8), 1730–1739. Available at: http://www.jatit.org/volumes/Vol99No8/3Vol99No8.pdf
  18. Carrillo, J., Bautista, L., Villamizar, J., Rueda, J., Sanchez, M., rueda, D. (2019). Glaucoma Detection Using Fundus Images of The Eye. 2019 XXII Symposium on Image, Signal Processing and Artificial Vision (STSIVA). doi: https://doi.org/10.1109/stsiva.2019.8730250
  19. Shabbir, A., Rasheed, A., Shehraz, H., Saleem, A., Zafar, B., Sajid, M. et al. (2021). Detection of glaucoma using retinal fundus images: A comprehensive review. Mathematical Biosciences and Engineering, 18 (3), 2033–2076. doi: https://doi.org/10.3934/mbe.2021106
  20. Abdullah, F., Imtiaz, R., Madni, H. A., Khan, H. A., Khan, T. M., Khan, M. A. U., Naqvi, S. S. (2021). A Review on Glaucoma Disease Detection Using Computerized Techniques. IEEE Access, 9, 37311–37333. doi: https://doi.org/10.1109/access.2021.3061451
  21. Islam, M., Poly, T. N., Yang, H. C., Atique, S., Li, Y. J. (2020). Deep Learning for Accurate Diagnosis of Glaucomatous Optic Neuropathy Using Digital Fundus Image. A Meta-Analysis. Studies in Health Technology and Informatics, 270, 153–157. doi: https://doi.org/10.3233/SHTI200141
  22. Alghamdi, M., Abdel-Mottaleb, M. (2021). A Comparative Study of Deep Learning Models for Diagnosing Glaucoma From Fundus Images. IEEE Access, 9, 23894–23906. doi: https://doi.org/10.1109/access.2021.3056641
  23. Guo, J., Azzopardi, G., Shi, C., Jansonius, N. M., Petkov, N. (2019). Automatic Determination of Vertical Cup-to-Disc Ratio in Retinal Fundus Images for Glaucoma Screening. IEEE Access, 7, 8527–8541. doi: https://doi.org/10.1109/access.2018.2890544
  24. Large-scale Database with CNN Model. Available at: https://github.com/smilell/AG-CNN
  25. Hasan, M. K., Tanha, T., Amin, M. R., Faruk, O., Khan, M. M., Aljahdali, S., Masud, M. (2021). Cataract Disease Detection by Using Transfer Learning-Based Intelligent Methods. Computational and Mathematical Methods in Medicine, 2021, 1–11. doi: https://doi.org/10.1155/2021/7666365
  26. Wu, J.-H., Nishida, T., Weinreb, R. N., Lin, J.-W. (2022). Performances of Machine Learning in Detecting Glaucoma Using Fundus and Retinal Optical Coherence Tomography Images: A Meta-Analysis. American Journal of Ophthalmology, 237, 1–12. doi: https://doi.org/10.1016/j.ajo.2021.12.008
  27. Buisson, M., Navel, V., Labbé, A., Watson, S. L., Baker, J. S., Murtagh, P. et al. (2021). Deep learning versus ophthalmologists for screening for glaucoma on fundus examination: A systematic review and meta‐analysis. Clinical & Experimental Ophthalmology, 49 (9), 1027–1038. doi: https://doi.org/10.1111/ceo.14000
  28. Classifying CIFAR100 images using ResNets, Regularization and Data Augmentation in PyTorch. Available at: https://jovian.ai/tessdja/resnet-practice-cifar100-resnet
  29. Mariottoni, E. B., Jammal, A. A., Berchuck, S. I., Shigueoka, L. S., Tavares, I. M., Medeiros, F. A. (2021). An objective structural and functional reference standard in glaucoma. Scientific Reports, 11 (1). doi: https://doi.org/10.1038/s41598-021-80993-3
  30. Rakhmetulayeva, S. B., Duisebekova, K. S., Mamyrbekov, A. M., Kozhamzharova, D. K., Astaubayeva, G. N., Stamkulova, K. (2018). Application of Classification Algorithm Based on SVM for Determining the Effectiveness of Treatment of Tuberculosis. Procedia Computer Science, 130, 231–238. doi: https://doi.org/10.1016/j.procs.2018.04.034
  31. Sagar, M. A. K., Dai, B., Chacko, J. V., Weber, J. J., Velten, A., Sanders, S. T. et al. (2019). Optical fiber-based dispersion for spectral discrimination in fluorescence lifetime imaging systems. Journal of Biomedical Optics, 25 (01), 1. doi: https://doi.org/10.1117/1.jbo.25.1.014506

##submission.downloads##

Опубліковано

2022-12-30

Як цитувати

Rakhmetulayeva, S., & Syrymbet, Z. (2022). Реалізація згорткової нейронної мережі для прогнозування глаукоми за зображеннями очного дна. Eastern-European Journal of Enterprise Technologies, 6(2 (120), 70–77. https://doi.org/10.15587/1729-4061.2022.269229

Номер

Том 6 № 2 (120) (2022): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2022 Sabina Rakhmetulayeva, Zarina Syrymbet

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.