Архив номеров
Медицинская Техника / Медицинская техника №6, 2024 / с. 32-34

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

Н.В. Лаптев, В.В. Лаптев, М.О. Плешков, Я.А. Мартусевич, Е.Г. Старикова, И.В. Толмачев


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 (F1-score), специфичность (Specificity), чувствительность (Sensitivity). Архитектура нейронной сети «RegNetX064» показала наилучшие результаты точности (93,3 %). Средневзвешенная оценка (F1-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.


Вернуться к содержанию

Сведения об авторах

Никита Витальевич Лаптев, канд. техн. наук, научный сотрудник, 
Владислав Витальевич Лаптев, техник-программист, 
Максим Олегович Плешков, PhD, мл. научный сотрудник, научно-технологический центр «Цифровая медицина и киберфизика», 
Яна Александровна Мартусевич, канд. мед. наук, зав. офтальмологической клиникой, 
Елена Григорьевна Старикова, д-р мед. наук, ведущий научный сотрудник, научно-технологический центр «Цифровая медицина и киберфизика», ФГБОУ ВО «Сибирский государственный медицинский университет» Министерства здравоохранения Российской Федерации, г. Томск, 
Иван Владиславович Толмачев, канд. мед. наук, ведущий научный сотрудник, научно-технологический центр «Цифровая медицина и киберфизика», ФГБОУ ВО «Сибирский государственный медицинский университет» Министерства здравоохранения Российской Федерации, г. Томск, ведущий научный сотрудник, ФГБУ «Центральный научно- исследовательский институт организации и информатизации здравоохранения» Министерства здравоохранения Российской Федерации, г. Москва, 

Список литературы

1. Abramoff M.D., Fort P.E., Han I.C., Jayasundera K.T., Sohn E.H., Gardner T.W. Approach for a Clinically Useful Comprehensive Classification of Vascular and Neural Aspects of Diabetic Retinal Disease // Invest. Ophthalmol. Vis. Sci. 2018. Vol. 59. № 1. PP. 519-527. 
2. Tan T.E., Wong T.Y. Diabetic retinopathy: Looking forward to 2030 // Front. Endocrinol. 2023. Vol. 13. Art. № 1077669. 
3. Valueva M.V., Nagornov N.N., Lyakhov P.A., Valuev G.V., Chervyakov N.I. Application of the residue number system to reduce hardware costs of the convolutional neural network implementation // Mathematics and Computers in Simulation. 2020. Vol. 177. PP. 232-243. 
4. Keerthiveena B., Esakkirajan S., Subudhi B.N., Veerakumar T. A hybrid BPSO-SVM for feature selection and classification of ocular health // IET Image Process. 2021. Vol. 15. PP. 542-555. 
5. Keras 3 – Multi-framework deep learning API [электронный ресурс] / https://keras.io/api/applications/ (дата обращения: 08.04.2024). 
6. MFIDDR dataset [электронный ресурс] / https://github.com/ mfiddr/MFIDDR.git (дата обращения: 08.04.2024). 
7. Li T., Gao Y., Wang K., Guo S., Liu H., Kang H. Diagnostic assessment of deep learning algorithms for diabetic retinopathy screening // Information Sciences. 2019. Vol. 501. PP. 511-522. 
8. Diabetic Retinopathy Detection [электронный ресурс] / https:/ /www.kaggle.com/c/diabetic-retinopathy-detection/ (дата обра- щения: 08.04.2024). 
9. Decenciиre E., Zhang X., Cazugue G., Lay B., Cochener B., Trone C., Klein J.C. Feedback on a publicly distributed image database: The Messidor database // Image Analysis and Stereology. 2014. Vol. 33. № 3. PP. 231-234. 
10. Abadi M., Agarwal A., Barham P., Brevdo E., Chen Z., Citro C., Zheng X. Tensorflow: Large-scale machine learning on heterogeneous distributed systems // arXiv preprint. 2016. Art. 1603.04467. 
11. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Duchesnay Й. Scikit-learn: Machine learning in Python // The Journal of Machine Learning Research. 2011. Vol. 12. PP. 2825-2830.