ДИАБЕТТІК РЕТИНОПАТИЯНЫ АНЫҚТАУДА КӨЗ ТҮБІ СУРЕТТЕРІН АЛДЫН АЛА ӨҢДЕУ ЖӘНЕ ТАЛДАУ ӘДІСТЕРІ

Бұл жұмыс диабеттік ретинопатияны анықтауға арналған көз түбі суреттерін алдын ала өңдеу және талдау әдістерін зерттеуге арналған. Диабеттік ретинопатия (ДР) – қант диабетімен ауыратын науқастарда жиі кездесетін көз ауруы, және оның ерте диагностикасы көру қабілетінің жоғалуын болдырмауға мүмкіндік береді. Зерттеу барысында көз түбі суреттерін өңдеу мен талдау үшін заманауи әдістер, соның ішінде Deep Learning негізінде құрылған EfficientNetB0 архитектурасы қолданылды. Алдын ала өңдеу үшін сурет аугментациясы (айналдыру, масштабтау, кесу, контрастты арттыру) және нормализация әдістері енгізілді. EfficientNetB0 архитектурасын пайдалану барысында екі тәсіл сыналды: базалық қабаттарды қатырып оқыту және жоғарғы қабаттарды ашу арқылы қосымша бейімдеу (fine-tuning). Нәтижелер метрикалар бойынша бағаланды. Бірінші әдісте тест жиыны үшін дәлдік (precision) 65%, екінші әдісте 75% болды. Бірінші әдіс бойынша валидациялық жиынның дәлдігі 63%, ал екінші әдіс бойынша 71% жетті. Қайталауды анықтау (recall) метрикасы бірінші әдісте тест жиыны үшін 60%, екінші әдісте 74% көрсетті. Жалпы, finetuning әдісінің көрсеткіштері жоғары болды. Бұл әдістерді пайдалану диабеттік ретинопатияны тиімді диагностикалау үшін суреттерді өңдеу мен классификациялаудың сапасын арттыруға мүмкіндік береді. Зерттеудің жаңашылдығы – тиімділігі жоғары EfficientNetB0 архитектурасын қолдану және бейімдеудің әртүрлі тәсілдерін талдау. Алынған нәтижелер ДР диагностикасында автоматтандырылған жүйелердің сапасын жақсартуға және модельдің энергия тиімділігін арттыруға мүмкіндік береді. Ұсынылған әдістер көз ауруларын ерте кезеңде анықтауда жоғары потенциалға ие.

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.