Підвищення надійності діагностики діабетичної ретинопатії на основі машинного навчання

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2024.297849

Ключові слова:

зображення очного дна, діабетична ретинопатія, нейронна мережа, попередня обробка зображень, аналіз медичних зображень

Анотація

У роботі розглядається метод вимірювання та аналізу параметрів сітківки з подальшою на їх основі діагностикою патологічних змін при діабетичній ретинопатії, що має вирішальне значення в галузі медицини для надання допомоги лікарям у своєчасному виявленні та лікуванні захворювання. Основною проблемою аналізу даних біомедичних зображень є недостатня попередня обробка зображень для подальшого чіткого визначення інформативних показників. У роботі вивчається застосування методів машинного навчання та обробки зображень для розробки ефективного методу діагностики діабетичної ретинопатії. Основна увага приділяється отриманню оптимальної моделі з використанням машинного навчання та різних типів нейронних мереж. У роботі розглянуто та проаналізовано такі методи попередньої обробки зображень, як: медіанна фільтрація, перетворення у відтінки сірого, обрізання неінформативних ділянок зображення, виділення контурів. Проаналізовано результати класифікації за трьома правилами (класичні нейронні мережі (CNN), глибокі нейронні мережі (DNN) та згорткові нейронні мережі (CNN)), і за допомогою експериментальних досліджень було визначено, що ANN найкраще справляється із завданням (точність=87,1 %, надійність=84,6 %, чутливість=91,6 %, специфічність=84 %). Отримана інформаційна модель для підтримки прийняття рішень при оцінюванні стану сітківки з використанням обробки отриманих мікроскопічних зображень та подальшого аналізу інформативних параметрів, а також сформована база даних з більш ніж 35 000 зразків та інформативних ознак сітківки. За достатньої якості класифікації та наявності програмно-технічних засобів даний метод може бути розроблений і застосований на практиці в медичних установах після проведення всіх необхідних клінічних досліджень

Біографії авторів

Orken Mamyrbayev, U. Joldasbekov Institute of Mechanics and Engineering

Doctor PhD, Associate Professor

Department of Artificial Intelligence

Sergii Pavlov, Vinnytsia National Technical University

Doctor of Technical Sciences, Professor

Department of Biomedical Engineering and Optic-Electronic Systems

Oleksandr Karas, Vinnytsia National Technical University

Doctor PhD

Yosip Saldan, National Pirogov Memorial Medical University

Doctor of Medical Sciences, Professor

Department of Eye Diseases

Kymbat Momynzhanova, Al-Farabi Kazakh National University

Postgraduate Student

Department of Information Systems

Sholpan Zhumagulova, Al-Farabi Kazakh National University

Postgraduate Student

Department of Artificial Intelligence and Big Data

Посилання

  1. Diabetes. WHO. Available at: https://www.who.int/health-topics/diabetes#tab=tab_1
  2. Burton, M. J., Ramke, J., Marques, A. P., Bourne, R. R. A., Congdon, N., Jones, I. et al. (2021). The Lancet Global Health Commission on Global Eye Health: vision beyond 2020. The Lancet Global Health, 9 (4), e489–e551. https://doi.org/10.1016/s2214-109x(20)30488-5
  3. GBD Results. Institute for Health Metrics and Evaluation. Available at: https://vizhub.healthdata.org/gbd-results/
  4. Diabetes Now Affects One in 10 Adults Worldwide. International Diabetes Federation. Available at: https://idf.org/news/diabetes-now-affects-one-in-10-adults-worldwide/
  5. Kropp, M., Golubnitschaja, O., Mazurakova, A., Koklesova, L., Sargheini, N., Vo, T.-T. K. S. et al. (2023). Diabetic retinopathy as the leading cause of blindness and early predictor of cascading complications – risks and mitigation. EPMA Journal, 14 (1), 21–42. https://doi.org/10.1007/s13167-023-00314-8
  6. Bhatwadekar, A. D., Shughoury, A., Belamkar, A., Ciulla, T. A. (2021). Genetics of Diabetic Retinopathy, a Leading Cause of Irreversible Blindness in the Industrialized World. Genes, 12 (8), 1200. https://doi.org/10.3390/genes12081200
  7. Chabba, N., Silwal, P. R., Bascaran, C., McCormick, I., Goodman, L., Gordon, I. et al. (2024). What is the coverage of retina screening services for people with diabetes? Protocol for a systematic review and meta-analysis. BMJ Open, 14 (1), e081123. https://doi.org/10.1136/bmjopen-2023-081123
  8. Jonas, J. B., Sabanayagam, C. (2019). Epidemiology and Risk Factors for Diabetic Retinopathy. Diabetic Retinopathy and Cardiovascular Disease, 20–37. https://doi.org/10.1159/000486262
  9. Ursin, F., Timmermann, C., Orzechowski, M., Steger, F. (2021). Diagnosing Diabetic Retinopathy With Artificial Intelligence: What Information Should Be Included to Ensure Ethical Informed Consent? Frontiers in Medicine, 8. https://doi.org/10.3389/fmed.2021.695217
  10. Artificial Neural Networks/Neural Network Basics. Wikibooks. Available at: https://en.wikibooks.org/wiki/Artificial_Neural_Networks/Neural_Network_Basics
  11. Diabetic Retinopathy Detection. Kaggle. Available at: https://www.kaggle.com/c/diabetic-retinopathy-detection/data
  12. Li, T., Gao, Y., Wang, K., Guo, S., Liu, H., Kang, H. (2019). Diagnostic assessment of deep learning algorithms for diabetic retinopathy screening. Information Sciences, 501, 511–522. https://doi.org/10.1016/j.ins.2019.06.011
  13. Decencière, E., Zhang, X., Cazuguel, G., Lay, B., Cochener, B., Trone, C. et al. (2014). Feedback on a publicly distributed image database: the messidor database. Image Analysis & Stereology, 33 (3), 231. https://doi.org/10.5566/ias.1155
  14. Li, W., Bian, L., Ma, B., Sun, T., Liu, Y., Sun, Z. et al. (2024). Interpretable Detection of Diabetic Retinopathy, Retinal Vein Occlusion, Age-Related Macular Degeneration, and Other Fundus Conditions. Diagnostics, 14 (2), 121. https://doi.org/10.3390/diagnostics14020121
  15. Kumar, N. S., Balasubramanian, R. K., Phirke, M. R. (2023). Image Transformers for Diabetic Retinopathy Detection from Fundus Datasets. Revue d’Intelligence Artificielle, 37 (6), 1617–1627. https://doi.org/10.18280/ria.370626
  16. Vandana, Laxmi, V. (2023). The Detection and Classification of Diabetic Retinopathy using the Architectures of Deep Learning. International Journal For Multidisciplinary Research, 5 (6). https://doi.org/10.36948/ijfmr.2023.v05i06.10837
  17. Sanamdikar, S. T., Patil, S. A., Patil, D. O., Borawake, M. P. (2023). Enhanced Detection of Diabetic Retinopathy Using Ensemble Machine Learning: A Comparative Study. Ingénierie Des Systèmes d Information, 28 (6), 1663–1668. https://doi.org/10.18280/isi.280624
  18. Dai, L., Sheng, B., Chen, T., Wu, Q., Liu, R., Cai, C. et al. (2024). A deep learning system for predicting time to progression of diabetic retinopathy. Nature Medicine, 30 (2), 584–594. https://doi.org/10.1038/s41591-023-02702-z
  19. Zago, G. T., Andreão, R. V., Dorizzi, B., Teatini Salles, E. O. (2020). Diabetic retinopathy detection using red lesion localization and convolutional neural networks. Computers in Biology and Medicine, 116, 103537. https://doi.org/10.1016/j.compbiomed.2019.103537
  20. Qummar, S., Khan, F. G., Shah, S., Khan, A., Shamshirband, S., Rehman, Z. U. et al. (2019). A Deep Learning Ensemble Approach for Diabetic Retinopathy Detection. IEEE Access, 7, 150530–150539. https://doi.org/10.1109/access.2019.2947484
  21. Bakator, M., Radosav, D. (2018). Deep Learning and Medical Diagnosis: A Review of Literature. Multimodal Technologies and Interaction, 2 (3), 47. https://doi.org/10.3390/mti2030047
Підвищення надійності діагностики діабетичної ретинопатії на основі машинного навчання

##submission.downloads##

Опубліковано

2024-04-30

Як цитувати

Mamyrbayev, O., Pavlov, S., Karas, O., Saldan, Y., Momynzhanova, K., & Zhumagulova, S. (2024). Підвищення надійності діагностики діабетичної ретинопатії на основі машинного навчання. Eastern-European Journal of Enterprise Technologies, 2(9 (128), 17–26. https://doi.org/10.15587/1729-4061.2024.297849

Номер

Том 2 № 9 (128) (2024): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2024 Orken Mamyrbayev, Sergii Pavlov, Oleksandr Karas, Yosip Saldan, Kymbat Momynzhanova, Sholpan Zhumagulova

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.