Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình phát hiện và phân loại hình ảnh bệnh võng mạc tiểu đường dựa trên mạng nơ-ron sâu với thuật toán tối ưu hóa tìm kiếm bướm
Tóm tắt
Trong những ngày gần đây, tỷ lệ tiến triển của bệnh võng mạc tiểu đường (DR) ngày càng gia tăng và cần phát triển một mô hình tự động để chẩn đoán hiệu quả bệnh DR. Bài báo này trình bày một mạng nơ-ron sâu mới với thuật toán tối ưu hóa tìm kiếm bướm (DNN-MSO) dùng để phát hiện và phân loại hình ảnh DR. Thuật toán DNN-MSO được trình bày có các quy trình khác nhau, bao gồm tiền xử lý, phân đoạn, trích xuất đặc trưng và phân loại. Ban đầu, mức độ tương phản của các hình ảnh DR được cải thiện bằng cách sử dụng mô hình cân bằng histogram thích ứng giới hạn tương phản. Sau đó, các hình ảnh đã được tiền xử lý được phân đoạn bằng cách sử dụng phương pháp histogram. Tiếp theo, mô hình Inception-ResNet V2 được áp dụng để trích xuất các đặc trưng. Cuối cùng, các vector đặc trưng được đưa vào mô hình phân loại DNN-MSO để phân loại các giai đoạn khác nhau của bệnh DR. Một loạt các thí nghiệm toàn diện đã được thực hiện và kết quả được xác thực trên tập dữ liệu Messidor DR. Kết quả thí nghiệm thu được chỉ ra những đặc điểm vượt trội của mô hình DNN-MSO khi đạt được độ chính xác tối đa, độ nhạy và độ đặc hiệu lần lượt là 99,12%, 97,91% và 99,47%.
Từ khóa
#bệnh võng mạc tiểu đường #mạng nơ-ron sâu #tối ưu hóa tìm kiếm bướm #phát hiện hình ảnh #phân loại hình ảnhTài liệu tham khảo
Krizhevsky A, Sutskever I, Hinton GE (2017) ImageNet classification with deep convolutional neural networks. Commun ACM 60(May (6)):84–90
Whiting DR, Guariguata L, Weil C, Shaw J (2011) IDF diabetes atlas: global estimates of the prevalence of diabetes for 2011 and 2030. Diabetes Res Clin Pract 94(Dec (3)):311–321
Sb S, Singh V (2012) Automatic detection of diabetic retinopathy in non-dilated RGB retinal fundus images. Int J Comput Appl 47(Jun (19)):26–32
Singh N, Tripathi RC (2010) Automated early detection of diabetic retinopathy using image analysis techniques. Int J Comput Appl 8(Oct (2)):18–23
Shankar K, Sait ARW, Gupta D, Lakshmanaprabu SK, Khanna A, Pandey HM (2020) Automated detection and classification of fundus diabetic retinopathy images using synergic deep learning model. Pattern Recognit Lett
Elhoseny M, Shankar K, Uthayakumar J (2019) Intelligent diagnostic prediction and classification system for chronic kidney disease. Sci Rep 9(1):1–14
Shankar K, Lakshmanaprabu SK, Khanna A, Tanwar S, Rodrigues JJ, Roy NR (2019) Alzheimer detection using Group Grey Wolf Optimization based features with convolutional classifier. Comput Electr Eng 77:230–243
Shankar K, Lakshmanaprabu SK, Gupta D, Maseleno A, De Albuquerque VHC (2018) Optimal feature-based multi-kernel SVM approach for thyroid disease classification. J Supercomput 76:1128–1143
Cunha-Vaz BSPJG (2002) Measurement and mapping of retinal leakage and retinal thickness: surrogate outcomes for the initial stages of diabetic retinopathy. Curr Med Chem Immunol Endocr Metab Agents 2(Jun (2)):91–108
Anandakumar H, Umamaheswari K (2017) Supervised machine learning techniques in cognitive radio networks during cooperative spectrum handovers. Clust Comput 20:1–11
Omar M, Khelifi F, Tahir MA (2016) Detection and classification of retinal fundus images exudates using region based multiscale LBP texture approach. In: 2016 international conference on control, decision and information technologies (CoDIT), Apr 2016
Welikala RA, Fraz MM, Williamson TH, Barman SA (2015) The automated detection of proliferative diabetic retinopathy using dual ensemble classification. Int J Diagn Imaging 2(Jun (2)):72–89
Haldorai A, Ramu A, Chow C-O (2019) Editorial: big data innovation for sustainable cognitive computing. Mob Netw Appl 24(Jan):221–223
Bhatkar AP, Kharat GU (2015) Detection of diabetic retinopathy in retinal images using MLP classifier. In: 2015 IEEE international symposium on nanoelectronic and information systems, Dec 2015
Partovi M, Rasta SH, Javadzadeh A (2016) Automatic detection of retinal exudates in fundus images of diabetic retinopathy patients. J Anal Res Clin Med 4(May (2)):104–109
Xu Y, Mo T, Feng Q, Zhong P, Lai M, Eric I, Chang C (2014) Deep learning of feature representation with multiple instance learning for medical image analysis. In: Proceedings of IEEE international conference on acoustics, speech and signal processing (ICASSP), pp 72–89
Shen W, Zhou M, Yang F, Yu D, Dong D, Yang C, Zang Y, Tian J (2017) Multi-crop convolutional neural networks for lung nodule malignancy suspiciousness classification. Pattern Recognit 61:663–673
Frid-Adar M, Diamant I, Klang E, Amitai M, Goldberger J, Greenspan H (2018) GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification. Neurocomputing 321:321–331
Kayalibay B, Jensen G, van der Smagt P (2017) CNN-based segmentation of medical imaging data. arXiv preprint arXiv:1701.03056
Yadav SS, Jadhav SM (2019) Deep convolutional neural network based medical image classification for disease diagnosis. J Big Data 6(1):113
Kumar A, Kim J, Lyndon D, Fulham M, Feng D (2016) An ensemble of fine-tuned convolutional neural networks for medical image classification. IEEE J Biomed Health Inform 21(1):31–40
Rama A, Kumaravel A, Nalini C (2019) Construction of deep convolutional neural networks for medical image classification. Int J Comput Vis Image Process 9(2):1–15
Khatami A, Babaie M, Tizhoosh HR, Khosravi A, Nguyen T, Nahavandi S (2018) A sequential search-space shrinking using CNN transfer learning and a Radon projection pool for medical image retrieval. Expert Syst Appl 100:224–233
http://www.adcis.net/en/third-party/messidor/. Accessed 14 Jun 2019
Shanthi T, Sabeenian RS (2019) Modified Alexnet architecture for classification of diabetic retinopathy images. Comput Electr Eng 76:56–64