Аналіз зображень сітківки ока для діагностики діабетичної ретинопатії
| dc.contributor.advisor | Іванько, К. О. | |
| dc.contributor.author | Басараб, Марко Романович | |
| dc.date.accessioned | 2025-06-23T09:15:59Z | |
| dc.date.available | 2025-06-23T09:15:59Z | |
| dc.date.issued | 2025 | |
| dc.description.abstract | Басараб М.Р. Аналіз зображень сітківки ока для діагностики діабетичної ретинопатії. - Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії в галузі знань 15 “Автоматизація та приладобудування” за спеціальністю 153 “Мікро- та наносистемна техніка”. - Національний технічний університет України “Київський політехнічний інститут імені Ігоря Сікорського”, м. Київ, 2025. Дисертаційна робота присвячена вирішенню науково - прикладної проблеми розробки методів та моделей глибокого навчання для аналізу цифрових зображень сітківки ока з метою діагностики діабетичної ретинопатії (ДР), що дозволяє підвищити точність класифікації стадії розвитку захворювання (а саме: відсутність діабетичної ретинопатії, легка стадія діабетичної ретинопатії, помірна стадія діабетичної ретинопатії, важка стадія діабетичної ретинопатії та проліферативна стадія діабетичної ретинопатії) та прийняття лікарем клінічних рішень в галузі офтальмології. У дисертаційній роботі проаналізовано сучасні методи обробки та аналізу цифрових зображень сітківки ока, включаючи традиційні підходи та технології глибокого навчання, а також існуючі програмні рішення для діагностики діабетичної ретинопатії. Виконано огляд існуючих методів сегментації цифрових зображень, визначення діагностичних ознак судинних структур, класифікації стадій діабетичної ретинопатії з використанням методів машинного навчання. Проведено дослідження особливостей аналізу цифрових зображень очного дна, включаючи формування набору ознак, виявлення патологічних змін та використання архітектур нейронних мереж для автоматизованої діагностики діабетичної ретинопатії. Зокрема, запропоновано комплексний підхід до аналізу судин сітківки ока, що включає сегментацію мережі судин сітківки ока, виявлення мікроаневризм та крововиливів, а також побудову моделей на основі нейронних мереж для класифікації стадій діабетичної ретинопатії. Запропоновано комплексний метод аналізу судинних структур цифрових зображень сітківки ока, що ґрунтується на алгоритмах сегментації та класифікації з використанням глибоких моделей машинного навчання. Запропоновані методи дозволяють виділити патологічні ділянки, такі як мікроаневризми, крововиливи та неоваскуляризацію на цифрових зображеннях сітківки ока, що є важливими для ранньої діагностики діабетичної ретинопатії. Здобувачем використано різні типи моделей машинного навчання, які апробовано на публічно доступних базах даних ретинографічних зображень та які продемонстрували ефективність у задачах класифікації діабетичної ретинопатії. У даній дисертаційній роботі створено програмне забезпечення (ПЗ) для реалізації інформаційної системи підтримки прийняття діагностичного рішення лікарем - офтальмологом на основі запропонованих підходів, що об’єднують методи формування ознак для машинного навчання і моделі нейронних мереж. Розроблене програмне забезпечення може бути інтегроване в заклади охорони здоров’я і є гнучким та адаптивним з практичної точки зору до різноманітних форматів цифрових зображень сітківки ока. Наукова новизна одержаних результатів визначається наступними теоретичними і практичними результатами, отриманими автором: - Набув подальшого розвитку метод аналізу цифрових зображень сітківки ока в оптико-електронній біомедичній офтальмоскопічній системі для виявлення діабетичної ретинопатії та визначення її стадії, що ґрунтується на комбінованому підході, що включає в себе перетворення аналізованого цифрового зображення за допомогою запропонованих методів фільтрації й підвищення контрастності зображення, аналіз сегментованих судинних структур і ексудатів, а також гібридне поєднання ознак зі згорткових нейронних мереж та локальних метрик, отриманих з зображення сітківки ока пацієнта, що дозволяє виділити на цифрових зображеннях судинну мережу та мікроаневризми, діагностично важливі ексудати та крововиливи на ранній стадії захворювання. - Запропоновано математичну модель для оцінювання стану судин дна ока та виявлення ранніх ознак діабетичної ретинопатії, яка включає розроблений набір діагностичних показників (довжина всіх судин та середня ширина судин, гладкість мережі судин, середня яскравість зображення оптичного диска, а також п’ять текстурних ознак ексудатів і дисперсію ширини судин), що дозволяє підвищити точність класифікації зображень очного дна у нормі та з наявністю патології порівняно зі загальноприйнятими методами, що не враховують детальну судинну та текстурну інформацію сітківки ока. - Розроблено додаткові діагностичні критерії, а саме комплексний ризик-показник та показник структурної нерегулярності судин для оцінювання станів діабетичної ретинопатії на межі норми й патології. Ці критерії дозволяють кількісно визначати ступінь прогресування ретинопатії та завчасно виявляти зміну судинних характеристик, відсутніх або ледь помітних при традиційному візуальному аналізі. - Запропоновано гібридну модель глибокої нейронної мережі для автоматизованого розпізнавання стадій діабетичної ретинопатії за зображеннями очного дна, отриманими оптико-електронною біомедичною офтальмоскопічною системою, що дозволяє поєднати запропонований набір показників стану судин очного дна та високорівневе представлення з глибокої згорткової нейронної мережі з метою виявлення патологічних змін, характерних для різних стадій діабетичної ретинопатії. - Розроблено інформаційно-алгоритмічне забезпечення оптико-електронної біомедичної офтальмоскопічної системи для автоматизованого аналізу та класифікації цифрових зображень сітківки ока для виявлення діабетичної ретинопатії та визначення її стадії на основі розвинутого методу аналізу цифрових зображень сітківки ока і розробленої гібридної архітектури нейронної мережі, що дозволяє підвищити ефективність обробки цифрових зображень очного дна. - Розроблено програмне забезпечення для аналізу зображень очного дна та визначення стадії діабетичної ретинопатії, яке відрізняється комплексним застосуванням методів обробки цифрових зображень (покращення контрастності цифрових зображень очного дна, адаптивна сегментація, екстракція судин та ексудатів) та запропонованої гібридної архітектури глибокої нейронної мережі. - Доведено до рівня практичної реалізації веб-застосунок на основі розробленого інформаційно-алгоритмічного забезпечення оптико-електронної біомедичної офтальмоскопічної системи, що забезпечує врахування одночасно морфологічних та текстурних характеристик судинної мережі очного дна й ексудатів. - Розроблено елементи інтерфейсу веб-застосунку, що дозволяють фахівцям-офтальмологам взаємодіяти з результатами роботи інформаційно-алгоритмічного забезпечення оптико-електронної біомедичної офтальмоскопічної системи, зокрема візуалізовувати та аналізувати нанесені на цифрові зображення очного дна теплові карти градієнтно зваженого відображення активації класів, які виділяють області аналізованого ретинографічного зображення, що найбільше впливають на рішення моделі глибокого навчання, а також оцінювати стадію діабетичної ретинопатії, спираючись на кількісні показники (довжина й ширина судин, ексудати, ризик-показник, тощо). Результати дисертаційної роботи використані та впроваджені в Комунальному некомерційному підприємстві “1 Територіальне Медичне Об’єднання м. Львова”, а саме в відокремленому підрозділі «Лікарня святого Луки» Міжнародного Медичного Центру «Мікрохірургія ока», що підтверджується відповідними актами та довідками про впровадження. | |
| dc.description.abstractother | Basarab M.R. Analysis of Retinal Images for the Diagnosis of Diabetic Retinopathy. - A Qualification Research Paper in Manuscript Form. Dissertation for the degree of Doctor of Philosophy in the field of knowledge 15 “Automation and Instrumentation” in specialty 153 “Micro- and Nanosystems Engineering.” - National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute,” Kyiv, 2025. The dissertation is dedicated to solving the scientific and applied problem of developing deep learning methods and models for analyzing digital retinal images to diagnose diabetic retinopathy (DR), which allows improving the accuracy of disease stage classification (namely: no diabetic retinopathy, mild diabetic retinopathy, moderate diabetic retinopathy, severe diabetic retinopathy, and proliferative diabetic retinopathy) and assisting the doctor in clinical decision-making in ophthalmology. The dissertation analyzes modern methods for processing and analyzing digital retinal images, including traditional approaches and deep learning technologies, as well as existing software solutions for diagnosing diabetic retinopathy. A review of existing methods for segmenting digital images, identifying diagnostic features of vascular structures, and classifying diabetic retinopathy stages using machine learning methods has been conducted. Research has been carried out on the peculiarities of analyzing digital fundus images, including feature extraction, identification of pathological changes, and optimization of neural network architectures for automated diabetic retinopathy diagnosis. In particular, a comprehensive approach to analyzing retinal vessels has been proposed, including segmentation of the retinal vascular network, detection of microaneurysms and hemorrhages, as well as the construction of neural network-based models for diabetic retinopathy stage classification. A comprehensive method for analyzing vascular structures in digital retinal images has been proposed, based on segmentation and classification algorithms using deep machine learning models. The proposed methods allow for the identification of pathological areas, such as microaneurysms, hemorrhages, and neovascularization in digital retinal images, which are important for the early diagnosis of diabetic retinopathy. The evaluation of the proposed methods is based on principles of comparative analysis of accuracy, sensitivity, and specificity of machine learning models. The applicant has used various types of machine learning models, which have been tested on publicly available retinal image databases and have demonstrated effectiveness in diabetic retinopathy classification tasks. In this dissertation, an information system (IS) has been developed for the implementation of a diagnostic decision support system for ophthalmologists based on the proposed approaches, which integrate feature extraction methods for machine learning and neural network models. The developed information system can be integrated into healthcare institutions and is flexible and adaptive from a practical perspective to various formats of digital retinal images. Scientific Novelty of the Obtained Results The scientific novelty of the obtained results is determined by the following theoretical and practical findings obtained by the author: - The method of analyzing digital retinal images in an optoelectronic biomedical ophthalmoscopic system for detecting diabetic retinopathy and determining its stage has been further developed. This method is based on a combined approach that includes transforming the analyzed digital image using the proposed filtering and contrast enhancement methods, analyzing segmented vascular structures and exudates, as well as a hybrid combination of features from convolutional neural networks and local metrics obtained from the patient’s retinal image. This makes it possible to identify the vascular network and microaneurysms, as well as diagnostically significant exudates and hemorrhages at an early stage of the disease in digital images. - A mathematical model has been proposed for assessing the condition of the fundus vasculature and detecting early signs of diabetic retinopathy, which includes a developed set of diagnostic indicators (the total length of all vessels and the average vessel width, the smoothness of the vascular network, the average brightness of the optic disc image, as well as five textural features of exudates and the dispersion of vessel width). This makes it possible to improve the accuracy of classifying fundus images under normal conditions and with the presence of pathology compared to commonly accepted methods that do not take into account the detailed vascular and textural information of the retina. - Additional diagnostic criteria have been developed, namely a comprehensive risk indicator and an indicator of structural irregularity of vessels, for assessing diabetic retinopathy states at the boundary between normal and pathological conditions. These criteria make it possible to quantitatively determine the degree of retinopathy progression and to detect changes in vascular characteristics in a timely manner, which are absent or barely noticeable during traditional visual analysis. - A hybrid deep neural network model has been proposed for automated recognition of diabetic retinopathy stages based on fundus images obtained by the optoelectronic biomedical ophthalmoscopic system, making it possible to combine the proposed set of indicators of the fundus vascular condition with the high-level representation from a deep convolutional neural network in order to detect pathological changes characteristic of various stages of diabetic retinopathy. - Information and algorithmic support has been developed for the optoelectronic biomedical ophthalmoscopic system to enable automated analysis and classification of digital retinal images for detecting diabetic retinopathy and determining its stage. This is based on the advanced method of analyzing digital retinal images and the developed hybrid neural network architecture, which increases the efficiency of processing digital fundus images. - Software has been developed for analyzing fundus images and determining the stage of diabetic retinopathy,distinguished by the comprehensive application of digital image processing methods (enhancing the contrast of digital fundus images, adaptive segmentation, extraction of vessels and exudates) and the proposed hybrid architecture of a deep neural network. - A web application has been brought to the level of practical implementation based on the developed information and algorithmic support of the optoelectronic biomedical ophthalmoscopic system, which ensures simultaneous consideration of the morphological and textural characteristics of the fundus vascular network and exudates. - Elements of the web application interface have been developed to allow ophthalmology specialists to interact with the results of the information and algorithmic support of the optoelectronic biomedical ophthalmoscopic system. In particular, they can visualize and analyze gradient-weighted class activation heat maps overlaid on digital fundus images, highlighting the regions of the analyzed retinographic image that have the greatest influence on the deep learning model’s decision, as well as assess the stage of diabetic retinopathy based on quantitative indicators (vessel length and width, exudates, risk indicator, etc.). Non-Profit Enterprise “First Territorial Medical Association of Lviv”, specifically in the “St. Luke’s Hospital” division of the International Medical Center “Eye Microsurgery”, as confirmed by relevant acts and implementation reports. | |
| dc.format.extent | 170 с. | |
| dc.identifier.citation | Басараб, М. Р. Аналіз зображень сітківки ока для діагностики діабетичної ретинопатії : дис. ... доктора філософії : 153 – Мікро- та наносистемна техніка / Басараб Марко Романович. – Київ, 2025. – 170 с. | |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/74370 | |
| dc.language.iso | uk | |
| dc.publisher | КПІ ім. Ігоря Сікорського | |
| dc.publisher.place | Київ | |
| dc.subject | діабетична ретинопатія | |
| dc.subject | зображення очного дна | |
| dc.subject | діабет | |
| dc.subject | сітківка ока | |
| dc.subject | кровоносні судини | |
| dc.subject | розпізнавання патологій ока | |
| dc.subject | офтальмоскопія | |
| dc.subject | оптична когерентна томографія | |
| dc.subject | біомедична інформація | |
| dc.subject | діагностика | |
| dc.subject | діагностичні показники | |
| dc.subject | охорона здоров’я | |
| dc.subject | біомедичні зображення | |
| dc.subject | біомедичні прилади та системи діагностики | |
| dc.subject | цифрова обробка | |
| dc.subject | попередня обробка зображень | |
| dc.subject | аналіз медичних зображень | |
| dc.subject | аналіз медичних даних | |
| dc.subject | медична візуалізація | |
| dc.subject | медичні технології | |
| dc.subject | сегментація зображень | |
| dc.subject | фільтрація | |
| dc.subject | машинне навчання | |
| dc.subject | штучний інтелект | |
| dc.subject | нейронні мережі | |
| dc.subject | глибоке навчання | |
| dc.subject | класифікація | |
| dc.subject | моделі | |
| dc.subject | класифікаційні моделі | |
| dc.subject | ансамблеві методи | |
| dc.subject | визначення стадії захворювання | |
| dc.subject | прогнозування | |
| dc.subject | набір ознак | |
| dc.subject | програмне забезпечення | |
| dc.subject | оптико-електронна біомедична офтальмоскопічна система | |
| dc.subject | diabetic retinopathy | |
| dc.subject | fundus images | |
| dc.subject | diabetes | |
| dc.subject | retina | |
| dc.subject | blood vessels | |
| dc.subject | eye pathology recognition | |
| dc.subject | ophthalmoscopy | |
| dc.subject | optical coherence tomography | |
| dc.subject | biomedical information | |
| dc.subject | diagnostics | |
| dc.subject | diagnostic indicators | |
| dc.subject | healthcare | |
| dc.subject | biomedical images | |
| dc.subject | biomedical diagnostic devices and systems | |
| dc.subject | digital processing | |
| dc.subject | image preprocessing | |
| dc.subject | medical image analysis | |
| dc.subject | medical data analysis | |
| dc.subject | medical visualization | |
| dc.subject | medical technologies | |
| dc.subject | image segmentation | |
| dc.subject | filtering | |
| dc.subject | machine learning | |
| dc.subject | artificial intelligence | |
| dc.subject | neural networks | |
| dc.subject | deep learning | |
| dc.subject | classification | |
| dc.subject | models | |
| dc.subject | classification models | |
| dc.subject | ensemble methods | |
| dc.subject | determination of | |
| dc.subject | disease stage | |
| dc.subject | prediction | |
| dc.subject | feature set | |
| dc.subject | software | |
| dc.subject | optoelectronic biomedical ophthalmoscopic system | |
| dc.subject.udc | 617.735-007.681:004.932 | |
| dc.title | Аналіз зображень сітківки ока для діагностики діабетичної ретинопатії | |
| dc.title.alternative | Analysis of Retinal Images for the Diagnosis of Diabetic Retinopathy | |
| dc.type | Thesis Doctoral |
Файли
Контейнер файлів
1 - 1 з 1
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 8.98 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: