Исследование эффективности моделей сверточных нейронных сетей для решения задачи классификации снимков глазного дна по наличию признаков диабетической ретинопатии

Аннотация:

Диабетическая ретинопатия является основным фактором необратимой слепоты у людей. Применение алгоритмов искусственного интеллекта позволяет оптимизировать раннюю диагностику заболевания по снимкам глазного дна. В настоящем исследовании сравнивались по классификационной точности модели искусственного интеллекта «InceptionV3», «NASNetMobile» «ResNet50», «RegNetX064», «MobileNetV2». Все модели обучались на датасете из 131 805 фотографий глазного дна. После выбора алгоритма наибольшей точности оценивались метрики: средневзвешенная оценка (Fl-score), специфичность (Specificity) чувствительность (Sensitivity). Архитектура нейронной сети «RegNetX064» показала наилучшие результаты точности (93,3%) Средневзвешенная оценка (Fl-score) этой модели составила 93,1%, специфичность (Specificity) - 96%, чувствительность (Sensitivity) - 90,5%. Доказано, что модель «RegNetX064» может быть использована для оптимизации ранней диагностики диабетической ретинопатии посредством автоматической классификации снимков сетчатки. Диабетическая ретинопатия (ДР) представляет собой поражение сетчатки глаз при сахарном диабете, приводящее к ухудшению или полной потере зрения. ДР возникает в результате микрососудистых изменений глазного дна, за которыми следует дегенерация сетчатки. Ранняя диагностика ДР представляет собой один из важнейших факторов снижения тяжести заболевания и профилактики потери зрения за счет своевременного назначения терапии. Для диагностики заболеваний сетчатки врачи-офтальмологи анализируют структуру кровеносных сосудов по снимкам глазного дна. В последнее время алгоритмы искусственного интеллекта (ИИ) и машинного обучения (МО) эффективно используются в автоматизированной идентификации и оценке ДР с использованием снимков сетчатки. В последние годы сверточные нейронные сети (CNN) сыграли ключевую роль в развитии компьютерного зрения, помогая решать различные задачи визуального распознавания. CNN являются подмножествами архитектуры искусственных нейронных сетей и используются при обработке видео и фотоснимков. CNN построены из множества различных сверточных слоев, каждый из которых должен изучать и идентифицировать определенные характеристики изображения или шаблоны. Для того чтобы улучшить извлечение признаков и прогнозирование для обнаружения ДР и преодолеть ограничение несбалансированного набора данных, существует множество подходов по увеличению объема данных, методов выборки, экономичных алгоритмов, а также гибридных и ансамблевых архитектур ИИ. Целью настоящего исследования явилось определение наиболее эффективного алгоритма ИИ для распознавания патологических изменений глазного дна на снимках фундус-камеры, обучение алгоритма ИИ, проверка его специфичности и чувствительности.

Авторы:

Издание: Медицинская техника
Год издания: 2024
Объем: 4с.
Дополнительная информация: 2024.-N 6.-С.32-35. Библ. 11 назв.
Просмотров: 3