ОПРЕДЕЛЕНИЕ ДИАБЕТИЧЕСКОЙ РЕТИНОПАТИИ НА ОСНОВЕ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ И АНАЛИЗА СНИМКОВ СЕТЧАТКИ ГЛАЗА

Данная работа посвящена исследованию методов предварительной обработки и анализа снимков сетчатки для определения диабетической ретинопатии (ДР). Диабетическая ретинопатия – это распространенное заболевание глаз у пациентов с диабетом, и ранняя диагностика этого заболевания помогает предотвратить потерю зрения. В ходе исследования были использованы современные методы обработки и анализа изображений, включая архитектуру EfficientNetB0, построенную на основе глубинного обучения. Для предварительной обработки были применены методы аугментации изображений (поворот, масштабирование, обрезка, повышение контраста) и нормализация. В ходе использования архитектуры EfficientNetB0 было испытано два подхода: заморозка базовых слоев модели и дообучение верхних слоев (fine-tuning). Результаты были оценены по меткам. В первом подходе точность (precision) на тестовой выборке составила 65%, во втором – 75%. Точность на валидационной выборке в первом случае составила 63%, во втором – 71%. Метрика обнаружения (recall) на тестовой выборке в первом подходе показала 60%, во втором – 74%. В целом методы fine-tuning показали лучшие результаты. Использование данных методов позволяет повысить качество обработки изображений и классификации для эффективной диагностики диабетической ретинопатии. Новизна исследования заключается в применении высокоэффективной архитектуры EfficientNetB0 и сравнении различных подходов к дообучению модели. Полученные результаты могут способствовать улучшению качества автоматизированных систем диагностики ДР и повышению энергоэффективности моделей. Предложенные методы обладают высоким потенциалом для раннего выявления глазных заболеваний.

1. Mehmet, Şahin., Omer, Faruk, Beyca.Diabetic Retinopathy Diagnosis with Image Processing (2024). https://doi.org/10.1109/siu61531.2024.10601116.

2. Nikita, S., Demin., N., Yu., Ilyasova., Rustam, Paringer. Automatic Selection of the Optimal Zone for Laser Exposure According to the Fundus Images for Laser Coagulation (2023). https://doi.org/10.18287/jbpe23.09.040308.

3. Agnieszka, Cisek., Karolina, Korycinska., Leszek, Pyziak., Marzena, Malicka.,Tomasz, Wiecek., Grzegorz, Gruzel., K., Szmuc., Jozef, Cebulski., Mariusz, Spyra. Algorithm-based diagnostic application for diabetic retinopathy detection. arXiv.org.abs/2312.00529 (2023). https://doi.org/10.48550/arxiv.2312.00529.

4. Balaji, S., Karthik, B., Gokulakrishnan D. Prediction of Diabetic Retinopathy using Deep Learning with Preprocessing. EAI Endorsed Transactions on Pervasive Health and Technology, 10 (2024). https://doi.org/10.4108/eetpht.10.5183.

5. Rubina, Sarki, Khandakar, Ahmed, Hua, Wang… Yanchun, Zhang… Jiangang, Ma., Kate, N., Wang. Image Preprocessing in Classification and Identification of Diabetic Eye Diseases. Data Science and Engineering, 6(4), 1–17 (2021). https://doi.org/10.1007/S41019-021-00167-Z.

6. Onesinus, Saut, Parulian, Jufriadif, Na’am. Advanced Filtering and Enhancement Techniques for Diabetic Retinopathy Image Analysis. Journal Medical Informatics Technology, 69–75 (2024). https://doi.org/10.37034/medinftech.v2i3.40.

7. Imtiyaz, Ahmad, Vibhav, Prakash, Singh, Manoj, Madhava, Gore. Detection of Diabetic Retinopathy Using Discrete Wavelet-Based Center-Symmetric Local Binary Pattern and Statistical Features. Deleted Journal (2024). https://doi.org/10.1007/s10278-024-01243-2.

8. Sagar, Zanjad. Diabetic Retinopathy Detection from Retinal Images. Indian Scientific Journal Of Research In Engineering And Management, 08(06), 1–5 (2024). https://doi.org/10.55041/ijsrem35218.

9. Mage, Usha, U., Subburaj, T., Hemanth, K.J. Innovative AI Solution for Diabetic Retinopathy Health. International Journal of Advanced Research in Science, Communication and Technology, 10–13 (2024). https://doi.org/10.48175/ijarsct-19003.

10. Kalindhu Navanjana De Silva, K., Sanduni Kumari Lanka Fernando, T., Lakshan Sandaruwan Jayasinghe, L.D., Dinuka Sandaruwan Jayalath, M.H., Kasun Karunanayake, B.A.P. Madhuwantha. Towards Accurate Detection of Diabetic Retinopathy Using Image Processing and Deep Learning. International Journal of Advanced Computer Science and Applications, 15(9) (2024). https://doi.org/10.14569/ijacsa.2024.0150986.

11. Mahesh, M.R., Rohith, S. Analysis of Diabetic Retinopathy in Retinal Fundus Images, 1–5 (2024). https://doi.org/10.1109/ickecs61492.2024.10616880.

12. Balaji., S., Karthik, B., Gokulakrishnan, D. Prediction of Diabetic Retinopathy using Deep Learning with Preprocessing. EAI Endorsed Transactions on Pervasive Health and Technology, 10 (2024). https://doi.org/10.4108/eetpht.10.5183.

13. Shrimali, S. Image Filtering and Utilization of Deep Learning Algorithms to Detect the Severity of Diabetic Retinopathy. International Conference on Communication Systems and Network Technologies, 202– 207 (2023). https://doi.org/10.1109/CSNT57126.2023.10134680.

14. Mamyrbayev, O.Zh., Pavlov, S.V., Momynzhanova, K.R. Development of an expert system based on fuzzy logic for early diagnosis of glaucoma. Herald of the Kazakh-British technical university, 21(3), 37–47 (2024) (In Kazakh). https://doi.org/10.55452/1998-6688-2024-21-3-37-47.

15. Imane, Mehidi. Pre-processing Techniques: A Review for Retinal Image Segmentation (2024). https://doi.org/10.1109/iceeac61226.2024.10576331.

16. Thirawat, Saengarun, Niwat, Angkawisittpan, Adisorn, Nuan-On., Guifen, Lyu, Xiaoli, Fu., Sivarit, Sultornsanee. The Development for Diabetic Retinopathy Lesion Detection on Fundus Photography (2024). https://doi.org/10.1109/ieecon60677.2024.10537869.

17. Surmayanti, Sumijan, Sumijan, Saiful, Bukhori. Identification of Diabetic Retinopathy Using the Extraction Method on Fundus Images, 333–340 (2024). https://doi.org/10.1109/icoict61617.2024.10698276.

18. Pranoti, Nage, Sanjay, Shitole. Analysis of Image Processing Techniques for Retinal Fundus Images in Detection of Ophthalmic Disease Screening, 1–4 (2023). https://doi.org/10.1109/icccnt56998.2023.10306704.

19. Vignesh., R., Muthukumaran, N. Detection of Diabetic Retinopathy Image Analysis using Convolution Graph Neural Network, 921–929 (2023). https://doi.org/10.1109/ICICT57646.2023.10134388.

20. Abisha, J., Jeba, P.S. Detection of Diabetic Retinopathy by Using Convolutional Neural Network (2023). https://doi.org/10.59544/mine9624/ngcesi23p89.

21. Farzaneh, Nikbakhtsarvestani, Shahryar, Rahnamayan, Mehran, Ebrahimi. Opposition-based Multi-Objective ADAM Optimizer (OMAdam) for Training ANNs, 1–10 (2024). https://doi.org/10.1109/cec60901.2024.10612083.

22. Alexandra de Raadt, Matthijs J. Warrens., Roel Bosker, Henk, A.L., Kiers. Kappa Coefficients for Missing Data. Educational and Psychological Measurement, 79(3), 558–576 (2019). https://doi.org/10.1177/0013164418823249.