Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình kết hợp U-Net và máy vector hỗ trợ đa lớp trong phân đoạn và phân loại phù hoàng điểm do bệnh tiểu đường
Soft Computing - Trang 1-13 - 2023
Tóm tắt
Bệnh võng mạc tiểu đường là một trong những vấn đề lớn về mắt do những khuyết tật trong các mạch máu xảy ra trong các mô võng mạc. Lượng đường trong máu không kiểm soát dẫn đến bệnh võng mạc tiểu đường. Đa số bệnh nhân tiểu đường bị ảnh hưởng bởi các vấn đề phù hoàng điểm, nguyên nhân gây ra mất thị lực. Phù hoàng điểm do bệnh tiểu đường có thể được nhận diện ở giai đoạn sớm thông qua các triệu chứng như nhìn thấy điểm nổi, vùng tối và nhìn mờ. Các giai đoạn đầu của DME có thể được điều trị và cứu chữa khỏi mất thị lực. Lưu lượng hoặc sự lắng đọng của máu gây ra sưng trên hoàng điểm và điều này tạo ra một biến chứng nghiêm trọng được gọi là DME. Các bác sĩ nhãn khoa đã sử dụng nhiều phương pháp máy tính khác nhau để chẩn đoán hình ảnh đáy mắt nhằm xác định tình trạng phù hoàng điểm và các giai đoạn của nó, nhưng độ chính xác trong việc phát hiện và phân loại DME bằng hình ảnh đáy mắt với các phương pháp truyền thống là thấp. Vấn đề này được coi là một vấn đề lớn, và hầu hết các chuyên gia y tế và chăm sóc sức khỏe đang cố gắng cung cấp một giải pháp tốt hơn với độ chính xác cao. Bài báo này nhằm phát triển một sự kết hợp giữa mô hình U-Net và Máy vector hỗ trợ đa lớp (MSVM) để phân đoạn và phân loại hình ảnh OCT. Kết quả thực nghiệm cho thấy U-Net-MSVM đề xuất đạt độ chính xác cao trong việc phân loại. Hiệu suất của mô hình đề xuất được đánh giá bằng cách so sánh kết quả của nó với các phương pháp trước đây.
Từ khóa
#bệnh tiểu đường #võng mạc tiểu đường #phù hoàng điểm #phân loại #mô hình U-Net #máy vector hỗ trợ đa lớpTài liệu tham khảo
Agarwal A, Afridi R, Hassan M, Sadiq MA, Sepah YJ, Do DV, Nguyen QD (2015) Novel therapies in development for diabetic macular edema. Curr Diab Rep 15(10):1–11
Alsaih K, Lemaitre G, Rastgoo M et al (2017) Machine learning techniques for diabetic macular edema (DME) classification on SD-OCT images. BioMed Eng OnLine 16:68
Apte RS (2016) What is chronic or persistent diabetic macular edema and how should it be treated? JAMA Ophthalmol 134(3):285–286
Bandello F, Parodi MB, Lanzetta P, Loewenstein A, Massin P, Menchini F, Veritti D (2010) Diabetic macular edema. Macul Edema 47:73–110
Bogunović H, Venhuizen F, Klimscha S, Apostolopoulos S, Bab-Hadiashar A, Bagci U, Beg MF, Bekalo L, Chen Q, Ciller C et al (2019) RETOUCH: the retinal OCT fluid detection and segmentation benchmark and challenge. IEEE Trans Med Imaging 38:1858–1874
Buades A, Coll B, Morel J-M (2005) A non-local algorithm for image denoising. In: 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR’05), vol 2, p. 60–65. IEEE, New York
Caldwell RB, Bartoli M, Behzadian MA, ElRemessy AEB, Al-Shabrawey M, Platt DH, Caldwell RW (2003) Vascular endothelial growth factor and diabetic retinopathy: pathophysiological mechanisms and treatment perspectives. Diabetes Metab Res Rev 19:442–445
Cao J, You K, Jin K, Lou L, Wang Y, Chen M, Pan X, Shao J, Su Z, Wu J, Ye J (2021) Prediction of response to anti-vascular endothelial growth factor treatment in diabetic macular edema using an optical coherence tomography-based machine learning method. Acta Ophthalmol 99(1):e19–e27
Coifman RR, Donoho DL (1995) Translation-invariant de-noising. Springer, Berlin
Coupé P, Hellier P, Kervrann C, Barillot C (2009) Nonlocal means-based speckle filtering for ultrasound images. IEEE Trans Image Process 18(10):2221–2229
de Moura J, Novo J, Ortega M (2019) Deep feature analysis in a transfer learning-based approach for the automatic identification of diabetic macular edema. In: 2019 international joint conference on neural networks (IJCNN), pp. 1–8. IEEE
Elad M, Aharon M (2006) Image denoising via sparse and redundant representations over learned dictionaries. IEEE Trans Image Process 15(12):3736–3745
Etheridge T, Dobson ET, Wiedenmann M, Papudesu C, Scott IU, Ip MS, Eliceiri KW, Blodi BA, Domalpally A (2020) A semi-automated machine-learning based workflow for ellipsoid zone analysis in eyes with macular edema: SCORE2 pilot study. PloS One 15(4):e0232494
Garvin MK, Abràmof MD, Kardon R, Russell SR, Wu X, Sonka M (2008) Intraretinal layer segmentation of macular optical coherence tomography images using optimal 3-d graph search. IEEE Trans Med Imaging 27(10):1495–1505
Jeevana Sujitha M, Udayaraju P, Kranthi V (2019) A review of different machine learning models to analyze collective behavior in social networks. Int J Recent Technol Eng 6(7):799–804
Kaymak S, Serener A (2018) Automated age-related macular degeneration and diabetic macular edema detection on oct images using deep learning. In: 2018 IEEE 14th international conference on intelligent computer communication and processing (ICCP), pp. 265–269. IEEE
Lang GE, Lang SJ (2011) Clinical treatment of diabetic macular edema. Klin Monatsbl Augenheilkd 228:R1–R11
Lee J-S (1980) Digital image enhancement and noise filtering by use of local statistics. IEEE Trans Pattern Anal Mach Intell 2:165–168
Liu B, Zhang B, Hu Y, Cao D, Yang D, Wu Q, Yu H (2021) Automatic prediction of treatment outcomes in patients with diabetic macular edema using ensemble machine learning. Ann Transl Med 9(1):43
Mathew C, Yunirakasiwi A, Sanjay S (2015) Updates in the management of diabetic macular edema. J Diabetes Res. https://doi.org/10.1155/2015/794036
Mitchell P, Wong TY, Diabetic Macular Edema Treatment Guideline Working Group (2014) Management paradigms for diabetic macular edema. Am J Ophthalmol 157(3):505–513
Nagarjuna A, Pamula U (2019) Secure and access control data monitoring in vehicular ad HOC network. Int J Innov Technol Explor Eng 10(8):4145–4149
Otani T, Kishi S, Maruyama Y (1999) Patterns of diabetic macular edema with optical coherence tomography. Am J Ophthalmol 127(6):688–693
Perdomo O, Otálora S, González FA, Meriaudeau F, Müller H (2018) Oct-net: A convolutional network for automatic classification of normal and diabetic macular edema using sd-oct volumes. In: 2018 IEEE 15th international symposium on biomedical imaging (ISBI 2018), pp. 1423–1426. IEEE
Rasti R, Allingham MJ, Mettu PS, Kavusi S, Govind K, Cousins SW, Farsiu S (2020) Deep learning-based single-shot prediction of differential effects of anti-VEGF treatment in patients with diabetic macular edema. Biomed Opt Express 11(2):1139–1152
Romero-Aroca P, Baget-Bernaldiz M, Pareja-Rios A, Lopez-Galvez M, Navarro-Gil R, Verges R (2016) Diabetic macular edema pathophysiology: vasogenic versus inflammatory. J Diabetes Res. https://doi.org/10.1155/2016/2156273
Sahlsten J, Jaskari J, Kivinen J, Turunen L, Jaanio E, Hietala K, Kaski K (2019) Deep learning fundus image analysis for diabetic retinopathy and macular edema grading. Sci Rep 9(1):1–11
Sekhar BV, Reddy PP, Varma GP (2015) Novel technique of image denoising using adaptive haar wavelet transformation. Irecos 10(10):1012–1017
Sekhar BV, Reddy PP, Varma GP (2017) Performance Of secure and robust watermarking using evolutionary computing technique. JGIM 25(4):61–79
Sekhar BVDS et al (2019) Image denoising using novel social grouping optimization algorithm with transform domain technique. Int J Nat Comput Res 8(4):28–40
Sekhar BVDS, Udayaraju P et al (2022) Artificial neural network-based secured communication strategy for vehicular ad hoc network. Soft Comput 27(1):297–309
Sekhar BVDS et al (2018) Image denoising using wavelet transform based flower pollination algorithm. In: Advs in intelligent syst., Computing (Aisc), Vol 862. Springer
Shahriari MH, Sabbaghi H, Asadi F, Hosseini A, Khorrami Z (2022) Artificial intelligence in screening, diagnosis, and classification of diabetic macular edema: a systematic review. Surv Ophthalmol 68:42–53
Srinivasan PP, Kim LA, Mettu PS, Cousins SW, Comer GM, Izatt JA, Farsiu S (2014a) Fully automated detection of diabetic macular edema and dry age-related macular degeneration from optical coherence tomography images. Biomed Opt Express 5(10):3568–3577
Srinivasan PP, Kim LA, Mettu PS et al (2014b) ‘Fully automated detection of diabetic macular edema and dry age-related macular degeneration from optical coherence tomography images. Biomed Opt Express 5(10):3568–3577
Sun Y, Li S, Sun Z (2017) Fully automated macular pathology detection in retina optical coherence tomography images using sparse coding and dictionary learning. J Biomed Opt 22(1):016012
Udayaraju P, Jeyanthi P (2022) Early diagnosis of age-related macular degeneration (ARMD) using deep learning. Smart Innov Syst Technol 289:657–663
Udayaraju P, Bharat Siva Varma P, Jeevana Sujitha M (2018) A survey of methods for genome functional analysis in comparative genomics. Int J Eng Technol (UAE) 7(12):681–688
Wang Y, Zhang Y, Yao Z et al (2016) ‘Machine learning based detection of age-related macular degeneration (AMD) and diabetic macular edema (DME) from optical coherence tomography (OCT) images. Biomed Opt Express 7(12):4928–4940
Xie J, Ikram MK, Cotch MF, Klein B, Varma R, Shaw JE, Klein R, Mitchell P, Lamoureux EL, Wong TY (2017) Association of diabetic macular edema and proliferative diabetic retinopathy with cardiovascular disease: a systematic review and meta-analysis. JAMA Ophthalmol 135(6):586–593
Xinyan Z, Ranyang Z (2015) An adaptive edge-detection algorithm based on Canny and its performance evaluation. Comput Technol Dev 25(11):32–37
Zhang Y, Xu F, Lin Z, Wang J, Huang C, Wei M, Li J (2022) Prediction of visual acuity after anti-VEGF therapy in diabetic macular edema by machine learning. J Diabetes Res. https://doi.org/10.1155/2022/5779210