Перейти до вмісту
Мікросистеми, Електроніка та Акустика
ISSN 2523-4447 · e‑ISSN 2523-4455 Відкритий доступ · CC BY-SA 4.0
Т. 29 · № 2 · 2024 сер 4, 2024 Оглядові статті

Глибоке навчання для виявлення та класифікації стадій діабетичної ретинопатії

MB
Marko Romanovych Basarab Відповідальний Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
KI
Kateryna Olehivna Ivanko Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» Україна
Сторінки309642.1-309642.08 Опублікованосер 4, 2024
PDF
ТОМ 29 · № 2 · 2024 Переглянути випуск

Анотація

Рівень захворюваності на діабетичну ретинопатію (ДР), яка є ускладненням цукрового діабету і призводить до серйозного погіршення зору та потенційної сліпоти, в останні роки стрімко зріс в усьому світі. Ця патологія вважається однією з найпоширеніших причин втрати зору серед людей. Для покращення точності діагностики ДР, а також зменшення навантаження на медичних працівників, активно впроваджується використання методів штучного інтелекту в медичних установах. Зокрема, моделі на основі штучного інтелекту поєднують все більше алгоритмів для покращення продуктивності наявних архітектур нейронних мереж, які комерційно використовуються для виявлення ДР. Однак, ці моделі з використанням нейронних мереж все ще демонструють деякі обмеження, такі як необхідність високої обчислювальної потужності та низька точність виявлення початкових стадій ДР. Щоб подолати ці обмеження, актуальною є розробка досконаліших моделей машинного навчання для більш точного виявлення ДР на початкових етапах розвитку захворювання та класифікації проміжних стадій ДР, що, зокрема, допоможе офтальмологам поставити точний діагноз. У цій статті проведено огляд сучасних досліджень з використання глибокого навчання для вирішення задачі діагностики та класифікації ДР та суміжних захворювань, а також проблем, з якими стикаються офтальмологи при виявленні цього захворювання і можливих рішень для виявлення ДР на початкових стадіях. Цей огляд надає інформацію про сучасні підходи, що використовуються для виявлення ДР на основі застосування глибокого навчання, а також про проблеми та обмеження у цій області.

Ключові слова

#діабетична ретинопатія #офтальмологія #втрата зору #штучний інтелект #машинне навчання #глибоке навчання

Посилання

  1. G. D. Ogle, “Global estimates of incidence of type 1 diabetes in children and adolescents: Results from the International Diabetes Federation Atlas, 10th edition”, Diabetes Research and Clinical Practice, vol. 183, p. 109083, Jan. 2022. DOI: https://doi.org/10.1016/j.diabres.2021.109083 .
  2. J. W. Yau, “Global Prevalence and Major Risk Factors of Diabetic Retinopathy”, Diabetes Care, vol. 35, no. 3, pp. 556–564, Feb. 2012. DOI: https://doi.org/10.2337/dc11-1909
  3. P. Ansari, “Diabetic Retinopathy: An Overview on Mechanisms, Pathophysiology and Pharmacotherapy”, Diabetology, vol. 3, no. 1, pp. 159–175, Feb. 2022. DOI: https://doi.org/10.3390/diabetology3010011
  4. A. R. Khyts, “Diabetic Macular Edema: Patient Management in Light of Modern Recommendations”, Ukrainian Medical Journal, Aug. 2021. [Online Publication] URL: https://umj.com.ua/uk/publikatsia-212799-diabetichnij-makulyarnij-nabryak-menedzhment-patsiyentiv-u-svitli-suchasnih-rekomendatsij
  5. A. Esteva, “Dermatologist-level classification of skin cancer with deep neural networks”, Nature, vol. 542, no. 7639, pp. 115–118, Jan. 2017. DOI: https://doi.org/10.1038/nature21056
  6. V. Gulshan, “Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs”, JAMA, vol. 316, no. 22, p. 2402, Dec. 2016. DOI: https://doi.org/10.1001/jama.2016.17216
  7. I. Goodfellow, Y. Bengio, and A. Courville, "Deep Learning.," MIT Press, 2016. ISBN: 9780262035613. URL: https://mitpress.mit.edu/9780262035613/deep-learning/
  8. S. K. Zhou, H. Greenspan, and D. Shen, "Deep Learning in Medical Image Analysis," Academic Press, 2017. URL: https://www.sciencedirect.com/book/9780128104088/deep-learning-in-medical-image-analysis .
  9. Diabetic Retinopathy Detection. Kaggle. URL: https://www.kaggle.com/c/diabetic-retinopathy-detection/data
  10. Messidor-1 Dataset. Methods to Evaluate Segmentation and Indexing Techniques in the field of Retinal Ophthalmology. URL: https://www.adcis.net/en/third-party/messidor/
  11. DRIVE: Digital Retinal Images for Vessel Extraction URL: https://drive.grand-challenge.org/
  12. STARE Dataset. Structured Analysis of the Retina. URL: https://cecas.clemson.edu/~ahoover/stare/
  13. DIARETDB1 Dataset. Standard Diabetic Retinopathy Database. URL: https://www.kaggle.com/datasets/nguyenhung1903/diaretdb1-standard-diabetic-retinopathy-database
  14. E-ophtha Dataset. ADCIS. URL: https://www.adcis.net/en/third-party/e-ophtha
  15. Kaggle. APTOS 2019 Blindness Detection. URL: https://www.kaggle.com/competitions/aptos2019-blindness-detection
  16. Indian Diabetic Retinopathy Image Dataset (IDRID). URL: https://ieee-dataport.org/open-access/indian-diabetic-retinopathy-image-dataset-idrid
  17. ADCIS. MESSIDOR-2 Dataset. URL: https://www.adcis.net/en/third-party/messidor2/
  18. High-Resolution Fundus (HRF) Image Database. URL: https://www5.cs.fau.de/research/data/fundus-images/
  19. D. S. Kermany, “Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning”, Cell, vol. 172, no. 5, pp. 1122–1131.e9, Feb. 2018. DOI: https://doi.org/10.1016/j.cell.2018.02.010
  20. D. S. W. Ting, “Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes”, JAMA, vol. 318, no. 22, p. 2211, Dec. 2017. DOI: https://doi.org/10.1001/jama.2017.18152
  21. Sayres, R., Taly, A., Rahimy, E., Blumer, K., Coz, D., Hammel, N., Krause, J., Narayanaswamy, A., Rastegar, Z., Wu, D., Xu, S., Barb, S., Joseph, A., Shumski, M., Smith, J., Sood, A. B., Corrado, G. S., Peng, L., & Webster, D. R. (2019). Using a Deep Learning Algorithm and Integrated Gradients Explanation to Assist Grading for Diabetic Retinopathy. Ophthalmology, 126(4), 552–564. DOI: https://doi.org/10.1016/j.ophtha.2018.11.016
  22. M. D. Abràmoff, P. T. Lavin, M. Birch, N. Shah, and J. C. Folk, “Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices”, npj Digital Medicine, vol. 1, no. 1, Aug. 2018. DOI: https://doi.org/10.1038/s41746-018-0040-6
  23. Y. Jiang, J. Liang, T. Cheng, X. Lin, Y. Zhang, and J. Dong, “MTPA_Unet: Multi-Scale Transformer-Position Attention Retinal Vessel Segmentation Network Joint Transformer and CNN”, Sensors, vol. 22, no. 12, p. 4592, Jun. 2022. DOI: https://doi.org/10.3390/s22124592
  24. L. Wewetzer, L. A. Held, J. Steinhäuser, and D. A. Worthy, “Diagnostic performance of deep-learning-based screening methods for diabetic retinopathy in primary care—A meta-analysis”, PLOS ONE, vol. 16, no. 8, p. e0255034, Aug. 2021. DOI: https://doi.org/10.1371/journal.pone.0255034
  25. N. Tsiknakis, “Deep learning for diabetic retinopathy detection and classification based on fundus images: A review”, Computers in Biology and Medicine, vol. 135, p. 104599, Aug. 2021. DOI: https://doi.org/10.1016/j.compbiomed.2021.104599
  26. M. S. Patil, S. Chickerur, C. Abhimalya, A. Naik, N. Kumari, and S. Maurya, “Effective Deep Learning Data Augmentation Techniques for Diabetic Retinopathy Classification”, Procedia Computer Science, vol. 218, pp. 1156–1165, Jan. 2023. DOI: https://doi.org/10.1016/j.procs.2023.01.094
  27. X. Guo, X. Lu, B. Zhang, X. Hu, and S. Che, “AUTOMATIC DETECTION AND GRADING OF DIABETIC MACULAR EDEMA BASED ON A DEEP NEURAL NETWORK”, Retina, vol. 42, no. 6, pp. 1095–1102, Jun. 2022. DOI: https://doi.org/10.1097/IAE.0000000000003434
  28. M. Kim and H.-J. Bae, “Data Augmentation Techniques for Deep Learning-Based Medical Image Analyses”, Journal of the Korean Society of Radiology, vol. 81, no. 6, p. 1290, Jan. 2020. DOI: https://doi.org/10.3348/jksr.2020.0158
  29. J.-G. Lee, “Deep Learning in Medical Imaging: General Overview”, Korean Journal of Radiology, vol. 18, no. 4, p. 570, Jan. 2017 DOI: https://doi.org/10.3348/kjr.2017.18.4.570
  30. A. M. Mutawa, K. Al-Sabti, S. Raizada, and S. Sruthi, “A Deep Learning Model for Detecting Diabetic Retinopathy Stages with Discrete Wavelet Transform”, Applied Sciences, vol. 14, no. 11, p. 4428, May 2024. DOI: https://doi.org/10.3390/app14114428
§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.
Усі випуски

Програмні засоби супроводження курсу вищої математики у технічному університеті

Дмитро Войціх, Данило Гринь, Марія Гринюк, канд. техн. наук, доц. Олексій Вікторович Богданов, канд. фіз.-мат. наук, доц. Юрій Павлович Буценко, канд. техн. наук, доц. Олена Іванівна Баліна, канд. техн. наук, доц. Ірина Сергіївна Безклубенко

У цій статті досліджується методологічний підхід до модернізації навчальної програми з вищої математики для студентів-інженерів, з особливим акцентом на потреби…

#Інженерна освіта #Викладання інженерії #Електронна інженерія #GNU Octave
с. 359022.1-359022.10
10.20535/2523-4455.mea.359022

Огляд газорозрядної гармати: фізичні основи, застосування та перспективи

Vadym I. Trokhymchuk, Serhii Borysovych Tuhai

Імпульсні газорозрядні гармати є перспективними інструментами в сучасних технологіях електронно-променевої обробки. Ці пристрої працюють на основі високовольтного…

#газорозрядна гармата #високовольтний тліючий розряд (HVGD) #електронний промінь #тріодна система
с. 341617.1-341617.7
10.20535/2523-4455.mea.341617

Акустичні вимоги до приміщень для особистої та групової психотерапії

Illia Volodymyrovych Melnyk

Психологічний вплив війни в Україні створив нагальну та суттєву потребу в ефективних втручаннях у сфері психічного здоров'я, зокрема в психотерапії. Оскільки…

#акустичний комфорт #психотерапія #терапевтичні простори #звукоізоляція
с. 329151.1-329151.7
10.20535/2523-4455.mea.329151

Статті цього автора (цих авторів), які найбільше читають

Схожі статті

1-10 з 34

Ви також можете розпочати розширений пошук схожих статей для цієї статті.