Глибоке навчання для виявлення та класифікації стадій діабетичної ретинопатії

Основний зміст сторінки статті

Марко Романович Басараб
канд. техн. наук доц. Катерина Олегівна Іванько

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.

Блок інформації про статтю

Як цитувати
[1]
М. Р. Басараб і К. О. Іванько, «Глибоке навчання для виявлення та класифікації стадій діабетичної ретинопатії», Мікросист., Електрон. та Акуст., т. 29, вип. 2, с. 309642.1–309642.08, Сер 2024.
Розділ
Оглядові статті

Посилання

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.

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

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

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

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

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

I. Goodfellow, Y. Bengio, and A. Courville, "Deep Learning.," MIT Press, 2016. ISBN: 9780262035613. URL: https://mitpress.mit.edu/9780262035613/deep-learning/

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.

Diabetic Retinopathy Detection. Kaggle. URL: https://www.kaggle.com/c/diabetic-retinopathy-detection/data

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/

DRIVE: Digital Retinal Images for Vessel Extraction URL: https://drive.grand-challenge.org/

STARE Dataset. Structured Analysis of the Retina. URL: https://cecas.clemson.edu/~ahoover/stare/

DIARETDB1 Dataset. Standard Diabetic Retinopathy Database. URL: https://www.kaggle.com/datasets/nguyenhung1903/diaretdb1-standard-diabetic-retinopathy-database

E-ophtha Dataset. ADCIS. URL: https://www.adcis.net/en/third-party/e-ophtha

Kaggle. APTOS 2019 Blindness Detection. URL: https://www.kaggle.com/competitions/aptos2019-blindness-detection

Indian Diabetic Retinopathy Image Dataset (IDRID). URL: https://ieee-dataport.org/open-access/indian-diabetic-retinopathy-image-dataset-idrid

ADCIS. MESSIDOR-2 Dataset. URL: https://www.adcis.net/en/third-party/messidor2/

High-Resolution Fundus (HRF) Image Database. URL: https://www5.cs.fau.de/research/data/fundus-images/

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

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

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

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

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

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

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

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

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

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

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

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