Згорткова нейронна мережа для сегментації судин сітківки ока

Скорочена інформація про документ
dc.contributor.authorДобровська, Людмила Миколаївна
dc.contributor.authorНазарага, Ярослав Русланович
dc.date.accessioned2023-11-23T19:55:33Z
dc.date.available2023-11-23T19:55:33Z
dc.date.issued2023
dc.description.abstractВажливе значення для постановки діагнозу при різних офтальмологічних захворюваннях відіграє дослідження, моніторинг та оцінка судин сітківки ока. Ідентифікація конкретних об’єктiв-патологій на зображеннях зводиться до розв’язання задач сегментації. Сегментація судин сітківки є ключовим кроком до точної візуалізації, діагностики захворювань ока, раннього лікування та планування хірургічного втручання. Саме тому важливою задачею є автоматизована сегментація судин сітківки. Мета даної роботи полягала у розробці програмного застосунку для сегментації зображень судин сітківки ока з використанням машинного навчання у вигляді згорткової нейронної мережі. Наразі найточнішими є нейромережеві методи сегментації, а саме методи на основі глибокого навчання. База знімків, яка використовувалась для дослідження, була взята з загальнодоступного набору даних DRIVE, що надає еталонні сегментації (маски) для кожного зображення, для половини з яких застосовано аугментацію. Це надає змогу обчислити оцінки продуктивності моделі. Під час першого етапу дослідження було встановлено, що наразі до найпоширеніших: 1) критеріїв, за якими кількісно можна оцінити якість сегментації, належать такі метрики: intersection over union; аccuracy; precision; sensitivity; specificity; F1-score; dice coefficient; loss function; 2) мереж, здатних виконувати сегментацію зображень, належать такі: FCN, SegNet, U-Net, FC-Densenet, E-Net, Link-Net, RefineNet, PSPNet. Для вирішення задачі сегментації зображень судин сітківки ока виконано порівняння вказаних мереж за точністю, перевагами та обмеженнями. Встановлено, що враховуючи точність, найкраще для вирішення вказаної задачі підходять мережі DeepLab, PSPNet, U-Net. Другий етап дослідження полягав у розробці програмного застосунку (ПЗ), порівнянні та оцінюванні показників якості відомих систем сегментації судин сітківки та розробленого ПЗ. Результатом дослідження є розробка ПЗ, який надає такі оцінки за метриками: accuracy=0.9452, sensitivity = 0.8991, specificity= 0.9468, dice= 0.8247. Ці показники якості отримано під час роботи розробленого ПЗ.uk
dc.description.abstractotherResearch, monitoring and assessment of retinal vessels play an important role in the diagnosis of various eye diseases. Identification of specific pathological objects in the images comes down to solving segmentation problems. Segmentation of retinal vessels is a key step towards accurate imaging, diagnosis of eye diseases, early treatment and surgery planning. This is the reason why the automated segmentation of retinal vessels is an important task. The purpose of this work was to develop a software application for segmentation of images of retinal vessels using machine learning in the form of a convolutional neural network. The neural network segmentation methods, namely methods based on deep learning, are the most accurate at the moment. The image database used for the study was taken from the public dataset DRIVE, which provides reference segmentations (masks) for each image and for the half of these segmentations the augmentation is used. This enables to calculate the estimates of model performance. During the first stage of research, it was established that currently the most common are: 1) criteria by which the quality of segmentation can be quantitatively assessed include the following metrics: intersection over union; accuracy; precision; sensitivity; specificity; F1-score; dice coefficient; loss function; 2) networks capable of performing image segmentation include the following: FCN, SegNet, U-Net, FC-Densenet, E-Net, LinkNet, RefineNet, PSPNet. To solve the problem of retinal vessel image segmentation, a comparison of the indicated networks was performed by the accuracy, advantages and limitations. It was established that taking into account the accuracy, the DeepLab, PSPNet, U-Net networks are best suited for solving the described problem. The second stage of the research consisted in the development of a software application, comparison and evaluation of quality indicators of known retinal vessel segmentation systems and the developed software. The result of the research is the development of software that provides the following metrics: accuracy=0.9452, sensitivity=0.8991, specificity=0.9468, dice=0.8247. These quality indicators are obtained during the execution the developed software.uk
dc.format.pagerangePp. 31-44uk
dc.identifier.citationДобровська, Л. Згорткова нейронна мережа для сегментації судин сітківки ока / Добровська Людмила Миколаївна, Назарага Ярослав Русланович // Біомедична інженерія і технологія. – 2023. – № 11. – С. 31-44. – Бібліогр.: 44 назви.uk
dc.identifier.doihttps://doi.org/10.20535/2617-8974.2023.11.288109
dc.identifier.issn2707-8434
dc.identifier.orcid0000-0002-4055-6834uk
dc.identifier.orcid0009-0007-4395-8672uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/62444
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.relation.ispartofБіомедична інженерія і технологія, № 11uk
dc.subjectштучний інтелектuk
dc.subjectнейронна мережаuk
dc.subjectсегментація судин сітківки окаuk
dc.subjectобробка зображеньuk
dc.subjectartificial intelligenceuk
dc.subjectneural networkuk
dc.subjectsegmentation of retinal vesselsuk
dc.subjectimage processinguk
dc.subject.udc004.852 + 616-018uk
dc.titleЗгорткова нейронна мережа для сегментації судин сітківки окаuk
dc.title.alternativeA convolutional neural network for segmentation of retina vesselsuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
288109-664963-1-10-20230927.pdf
Розмір:
565.1 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Біомедична інженерія і технологія, № 11