Investigation of fundus images for detection of diabetic retinopathy stage using deep learning

Скорочена інформація про документ
dc.contributor.authorBasarab, M. R.
dc.contributor.authorIvanko, K. O.
dc.date.accessioned2024-03-20T06:16:26Z
dc.date.available2024-03-20T06:16:26Z
dc.date.issued2023
dc.description.abstractThe study is dedicated to the investigation of diabetic retinopathy images by digital processing methods and further pathological outcome levels classification. The application of image processing methods to the problem of diabetic retinopathy (DR) analysis is considered in the paper. In order to investigate the possibilities of machine learning for the problem of classification of retinal images, the dataset of retinal images, which represent 5 classes: absence of DR, moderate, mild, proliferate stages, and severe DR, was used in this work. The aim of this study is to identify and compare the different image processing methods used for diabetic retinopathy detection, as well as to choose the classification method that provides the highest accuracy in the identification of the human retina condition. The convolutional neural networks with tuned parameters such as EfficientNet and ResNet were applied to determine the best classification models for computerized disease screening. The accuracy and losses of the different models were determined and compared. Based on this, a combination of image preprocessing steps and neural network models, which provide the highest accuracy of diabetic retinopathy condition recognition, reaching 91.4% for the task of recognition of 5 classes (absence of DR and 4 stages of DR) is proposed. Intermediate stages in the development of diabetic retinopathy are the most difficult to distinguish: the best model showed 85.2% of correctly defined cases of moderate stage of diabetic retinopathy and 83% of correctly defined cases of mild stage. Overall, this article highlights the significance of artificial intelligence (AI) and deep learning in the detection and classification of diabetic retinopathy. It underscores the need for improved screening methods, especially in underserved areas, and emphasizes the potential of these technologies in preserving vision, reducing healthcare professionals’ workload, and promoting widespread adoption in clinical practice. The article also acknowledges the challenges associated with image variability and the potential impact on AI model performance, calling for further research and improvement in image quality and consistency.
dc.description.abstractotherРобота присвячена дослiдженню зображень дiабетичної ретинопатiї за допомогою методiв цифрової обробки та подальшої класифiкацiї рiвнiв патологiчних змiн. У статтi розглянуто застосування методiв обробки зображень до проблеми аналiзу дiабетичної ретинопатiї (ДР). Для вивчення можливостей машинного навчання для класифiкацiї зображень сiткiвки ока у цiй роботi було використано набiр даних, що вiдображають 5 класiв: вiдсутнiсть ДР, помiрну, легку, пролiферативну стадiї та важку ДР. Метою цього дослiдження є iдентифiкацiя та порiвняння рiзних методiв обробки зображень, якi застосовано для виявлення дiабетичної ретинопатiї, а також вибiр методу класифiкацiї, який забезпечує найвищу точнiсть визначення стану людської сiткiвки у випадку ДР. Для визначення найкращих моделей класифiкацiї дiабетичної ретинопатiї були застосованi нейроннi мережi з налаштованими параметрами, такi як EfficientNet, ResNet та iншi. Було визначено точнiсть моделей i на основi цього запропоновано кроки попередньої обробки та комбiнацiю параметрiв нейронної мережi, яка забезпечує найвищу точнiсть визначення стану дiабетичної ретинопатiї, досягаючи 91,4% для завдання визначення 5 класiв (вiдсутнiсть ДР та 4 стадiї ДР). Промiжнi стадiї розвитку дiабетичної ретинопатiї найважче вiдрiзнити: найкраща модель показала 85,2% правильно визначених випадкiв помiрної стадiї дiабетичної ретинопатiї i 83% правильно визначених випадкiв легкої стадiї. Загалом, ця стаття пiдкреслює значущiсть штучного iнтелекту та глибокого навчання у виявленнi та класифiкацiї дiабетичної ретинопатiї. Вона наголошує на необхiдностi полiпшення методiв скринiнгу, особливо у недостатньо обслуговуваних районах, та пiдкреслює потенцiал цих технологiй у збереженнi зору, зменшеннi робочого навантаження медичних працiвникiв та сприяннi широкому впровадженню у клiнiчну практику. У статтi також визнаються проблеми, пов’язанi з варiабельнiстю зображень та потенцiйним впливом на якiсть роботи моделей, що вимагає додаткових дослiджень та покращення якостi зображень.
dc.format.pagerangePp. 49-57
dc.identifier.citationBasarab, M. R. Investigation of fundus images for detection of diabetic retinopathy stage using deep learning / Basarab M. R., Ivanko K. O. // Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць. – 2023. – Вип. 94. – С. 49-57. – Бібліогр.: 13 назв.
dc.identifier.doihttps://doi.org/10.20535/RADAP.2023.94.49-57
dc.identifier.orcid0000-0002-3260-674X
dc.identifier.orcid0000-0002-3842-2423
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/65650
dc.language.isoen
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.relation.ispartofВісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 94
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectdiabetic retinopathy
dc.subjectblindness
dc.subjectmachine learning
dc.subjectneural network
dc.subjectdiabetes
dc.subjectdigital image processing
dc.subjectimage recognition
dc.subjectдiабетична ретинопатiя
dc.subjectслiпота
dc.subjectмашинне навчання
dc.subjectнейронна мережа
dc.subjectдiабет
dc.subjectцифрова обробка зображень
dc.subjectрозпiзнавання зображень
dc.subject.udc004.8.67
dc.titleInvestigation of fundus images for detection of diabetic retinopathy stage using deep learning
dc.title.alternativeДослiдження зображень очного дна для виявлення стадiї дiабетичної ретинопатiї за допомогою глибокого навчання
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
1962-5897-1-10-20231230.pdf
Розмір:
1.76 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 94