Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phát hiện chất thải cứng trong hình ảnh đáy mắt võng mạc sử dụng học máy có giám sát
Tóm tắt
Bệnh nhân mắc tiểu đường có khả năng phát triển bệnh võng mạc tiểu đường (DR) ảnh hưởng đến mắt. DR có thể gây ra mù lòa nếu bệnh nhân không kiểm soát được bệnh tiểu đường. Những bệnh nhân bị DR sẽ bị rối loạn chuyển hóa glucose gây ra mức độ glucose cao trong mạch máu, được gọi là tăng glucose máu. Điều này dẫn đến sự hình thành mạch máu bất thường và cuối cùng gây ra tình trạng rò rỉ máu hoặc dịch như lipoprotein, được lắng đọng dưới phù hoàng điểm, gọi là chất thải cứng. Chúng thường có màu trắng hoặc trắng vàng với các cạnh rõ ràng. Chất thải cứng thường được sắp xếp thành cụm hoặc vòng tròn và nằm trong lớp ngoài của võng mạc. Mục tiêu của nghiên cứu này là phát hiện các chất thải cứng bằng cách áp dụng một số kỹ thuật xử lý hình ảnh và phân loại chúng bằng cách sử dụng các phương pháp học có giám sát, bao gồm máy vector hỗ trợ và một số phương pháp mạng nơ-ron, tức là mạng nơ-ron đa tầng (MLP), hệ thống suy diễn nơ-ron mờ thích nghi phân cấp (hierarchical ANFIS) và mạng nơ-ron tích chập. DIARETDB1, bao gồm 89 hình ảnh đáy mắt, được khai thác như một tập dữ liệu để đánh giá. Các ứng viên chất thải cứng được trích xuất bởi các kỹ thuật hình thái và được phân loại bởi các bộ phân loại được đào tạo bằng các mảng trích xuất với các giá trị thực tế tương ứng. Phương pháp kiểm tra chéo mười lần được áp dụng để đảm bảo sự tổng quát của các kết quả. Phương pháp đề xuất đạt được diện tích dưới đường cong (AUC) là 0,998 khi áp dụng mạng MLP. Các AUC cho bốn bộ phân loại đều lớn hơn 0,95. Điều này cho thấy rằng sự kết hợp giữa các kỹ thuật xử lý hình ảnh và các bộ phân loại phù hợp có thể thực hiện rất tốt trong bài toán phát hiện chất thải cứng.
Từ khóa
#bệnh võng mạc tiểu đường #phát hiện chất thải cứng #xử lý hình ảnh #học máy có giám sát #mạng nơ-ron #DIARETDB1Tài liệu tham khảo
Besenczi R, Tóth J, Hajdu A (2016) A review on automatic analysis techniques for color fundus photographs. Comput Struct Biotechnol J 14:371–384
Mookiah MRK, Acharya UR, Chua CK, Min Lim C, Ng EYK, Laude A (2013) Computer-aided diagnosis of diabetic retinopathy: a review. Comput Biol Med 43:2136–2155
Frazao LB, Theera-Umpon N, Auephanwiriyakul S (2019) Diagnosis of diabetic retinopathy based on holistic texture and local retinal features. Inf Sci 475:44–66
Pratt H, Coenen F, Broadbent DM, Harding SP, Zheng Y (2016) Convolutional neural networks for diabetic retinopathy. Procedia Comput Sci 90:200–205
Orlando JI, Prokofyeva E, del Fresno M, Blaschko MB (2018) An ensemble deep learning based approach for red lesion detection in fundus images. Comput Methods Programs Biomed 153:115–127
Dasgupta A, Singh S (2017) A fully convolutional neural network based structured prediction approach towards the retinal vessel segmentation. In: Proceedings—international symposium on biomedical imaging, pp 248–251
Yang Y, Li T, Li W, Wu H, Fan W, Zhang W (2017) Lesion detection and grading of diabetic retinopathy via two-stages deep convolutional neural networks. In: Descoteaux M, Maier-Hein L, Franz A, Jannin P, Collins D, Duchesne S (eds) Medical image computing and computer assisted intervention—MICCAI 2017. Lecture notes in computer science (LNCS), vol 10435, pp 533–540. Springer, Cham
Gondal WM, Kohler JM, Grzeszick R, Fink GA, Hirsch M (2018) Weakly-supervised localization of diabetic retinopathy lesions in retinal fundus images. In: Proceedings—international conference on image processing ICIP, vol 2017–September, pp 2069–2073
Mendonça AM, Sousa A, Mendonça L, Campilho A (2013) Automatic localization of the optic disc by combining vascular and intensity information. Comput Med Imaging Graph 37(5–6):409–417
Welfer D, Scharcanski J, Kitamura CM, Dal Pizzol MM, Ludwig LWB, Marinho DR (2010) Segmentation of the optic disk in color eye fundus images using an adaptive morphological approach. Comput Biol Med 40(2):124–137
Haloi M, Dandapat S, Sinha R (2016) An Unsupervised method for detection and validation of the optic disc and the fovea. arXiv:1601.06608, pp 1–8
Novo J, Penedo MG, Santos J (2009) Localisation of the optic disc by means of GA-optimised Topological Active Nets. Image Vis Comput 27(10):1572–1584
Ranamuka NG, Meegama RGN (2013) Detection of hard exudates from diabetic retinopathy images using fuzzy logic. IET Image Process 7(2):121–130
Rajput GG, Patil PN (2014) Detection and classification of exudates using k-means clustering in color retinal images. In: Proceedings—2014 5th international conference on signal and image processing. ICSIP 2014, pp 126–130
Ramasubramanian B, Arunmani G, Ravivarma P, Rajasekar E (2015) A novel approach for automated detection of exudates using retinal image processing. In: 2015 International conference on communications, signal processing. ICCSP 2015, pp 139–143
Yu S, Xiao D, Kanagasingam Y (2017) Exudate detection for diabetic retinopathy with convolutional neural networks. In: Proceedings of the annual international conference of the IEEE engineering in medicine and biology society. EMBS, pp 1744–1747
Giancardo L, Meriaudeau F, Karnowski TP, Li Y, Garg S, Tobin KW Jr, Chaum E (2012) Exudate-based diabetic macular edema detection in fundus images using publicly available datasets. Med Image Anal 16(1):216–226
Zhang X, Thibault G, Decencière E, Marcotegui B, Laÿ B, Danno R, Cazuguel G, Quellec G, Lamard M, Massin P, Chabouis A, Victor Z, Erginay A (2014) Exudate detection in color retinal images for mass screening of diabetic retinopathy. Med Image Anal 18:1026–1043
Fraz MM, Jahangir W, Zahid S, Hamayun MM, Barman SA (2017) Multiscale segmentation of exudates in retinal images using contextual cues and ensemble classification. Biomed Signal Process Control 35:50–62
Dougherty G (2009) Digital image processing for medical applications. Cambridge Univesity Press, Cambridge
Kauppi T, Kalesnykiene V, Kamarainen J-K, Lensu L, Sorri I, Pietila J, Kalviainen H, Uusitalo H (2007) DIARETDB1-standard diabetic retino-pathy database. In: IMAGERET—optimal detection and decision-support diagnosis of diabetic retinopathy, pp 15.1–15.10
Liu T, Fang S, Zhao Y, Wang P, Zhang J (2015) Implementation of training convolutional neural networks. arXiv:1506.01195, pp 1–10