إطار عمل تعلم عميق قوي للكشف المبكر عن اعتلال الشبكية السكري باستخدام صور قاع الأسنان المعالجة مسبقا وشبكات CNN المحسنة

ملخص

تقدم هذه الدراسة وتصف سير عمل قائم على التعلم العميق للكشف المبكر عن اعتلال الشبكية السكري باستخدام صور قاع العين المعالجة مسبقا وبنى الشبكات العصبية الالفافية المحسنة، مما يتيح تصنيفا دقيقا للمرض وتحديد موقع الآفات بشكل قابل للتفسير للتطبيق السريري القابل للتوسع.

الملخص

اعتلال الشبكية السكري (DR) هو سبب رئيسي لفقدان البصر على مستوى العالم، خاصة بين المرضى الذين يعانون من ضعف السيطرة على السكري. برز الكشف المبكر من خلال تحليل الصور الآلي كحل قابل للتوسع لدعم التدخل في الوقت المناسب. أظهرت النماذج القائمة على التعلم العميق، وخاصة الشبكات العصبية الالفافية (CNNs)، وعدا كبيرا في اكتشاف الكشف عن التعاطي العصبي من صور قاع الشبكية. هدفت هذه الدراسة إلى (1) تطوير إطار عمل تعلم عميق جماعي باستخدام EfficientNetB0 وDenseNet121 لتصنيف DR من خمس مراحل، (2) تقييم تأثير معالجة صور القاع على الأداء التشخيصي بشكل منهجي، (3) دمج تفسيرات بصرية مبنية على Grad-CAM لتحديد موقع الآفات، و(4) تحقيق دقة تشخيصية عالية مع كفاءة حسابية مناسبة للفحص القابل للتوسع. تم تنظيم مجموعة بيانات تضم 53,412 صورة قاع من EyePACS وAPTOS 2019 ومركز رعاية ثالثة في الصين. شملت خطوات المعالجة المسبقة معادلة المدرجات التكيفية محدودة التباين (CLAHE)، وإزالة الشواكل، والتطبيع. تم تطبيق التعلم التحويلي باستخدام عمود الفقرات EfficientNetB0 وDenseNet121، تلاه التجميع الهجين. تم تقييم النماذج باستخدام الدقة، وتركيز الميكرو، والحساسية، والنوعية، ودرجة F1. تم استخدام Grad-CAM لتصور تحديد مكان الآفات. حقق نموذج المجموعات الهجينة دقة 91.2٪، و0.961 درجة AUC الكبيرة، وحساسية 92.1٪، ودرجة F1 بلغت 0.913. حسنت المعالجة المسبقة الأداء بنسبة 3-4٪، وتفوق النهج الجماعي على CNNs المستقلة. أكدت تراكبات Grad-CAM تحديد موقع الآفة بدقة. تم تقييم أداء النموذج لكل من تصنيف الفحص الطبي المكون من خمس مراحل والكشف الثنائي القابل للإشارة إلى DR ليعكس متطلبات الفحص السريري. تقدم هذه الدراسة نموذج تعلم عميق قابل للتطبيق سريريا وقابل للتفسير للكشف عن الكشف عن الطب الدوميني. ستشمل الأعمال المستقبلية التحقق الخارجي على مجموعات البيانات المستقلة، والتقييم الواقعي المستقبلي، وتحسين النماذج (مثل التقليم والكميمية) لتطبيقات الفحص المحمول ونقاط الرعاية.

المقدمة

يعد DR مضاعفة أوعية دقيقة لمرض السكري ولا يزال أحد الأسباب الرئيسية لضعف البصر القابل للتجنب حول العالم¹. يؤدي ارتفاع سكر الدم المزمن إلى تلف الشعيرات الدموية الشبكية، مما يؤدي إلى زيادة نفاذية الأوعية الدموية، وتكوين تمدد الأوعية الدقيقة، والنزيف، والإفرازات، وفي المراحل المتقدمة، تكاثر الأوعية الوعائية الجديدة. بدون تدخل في الوقت المناسب، قد تتطور هذه التغيرات إلى نزيف الجسم الزجاجي، وانفصال الشبكية الشبكية، وفقدان الرؤية غير القابل للعكس ^1,2. تقدر الدراسات الوبائية أن حوالي 35 بالمئة من مرضى السكري يظهرون درجة من الاعتلال الشبكي المهدد للبصر كل

البروتوكول

تضمنت هذه الدراسة تحليلا استعاديا. وفقا للوائح المؤسسية والوطنية، تم التنازل عن الموافقة الرسمية للجنة الأخلاقيات والموافقة المستنيرة، حيث لم يتم الوصول إلى أو استخدام أي معلومات تعريفية للمرضى.

1. مصادر البيانات والاقتناء

1. أعد تصنيف جميع الصور وفقا لمقياس شدة اعتلال الشبكية السكري السريري الدولي (ICDR) (الدرجات 0-4)¹⁰، لضمان الاتساق عبر مجموعات البيانات التي تم الحصول عليها من EyePACS وAPTOS 2019 ومجموعة الرعاية الثالثية.
2. قم بربط التسميات الأصلية لمجموعات البيانات التي تحتوي على تعليقات موجودة إلى مقياس ICDR للحفاظ على التجانس.
3. قم بتقي....

النتائج

ملخص مجموعة البيانات وتأثيرات المعالجة المسبقة

تكونت مجموعة البيانات المنسقة من 53,412 صورة ملونة من قاع القاعدة، موزعة على فئات الشدة الخمس للكشف عن السرطان: لا يوجد DR (0) - 39.2٪، خفيف (1) - 18.4٪، متوسط (2) - 22.5٪، شديد (3) - 12.1٪، وDR تكاثري (4) - 7.8٪. جاءت البيانات من EyePACS وAPTOS 2019 ومركز صيني لطب العيون الثالث، مما يضمن التنوع في العرق وظروف التصوير ومواصفات الكاميرات.

المعالجة المسبقة زادت بشكل كبير .......

المناقشة

في هذه الدراسة، طورنا وقيمنا بدقة نموذج مجموعة هجينة يجمع بين EfficientNetB0 وDenseNet121، تم ضبطه بدقة باستخدام التعلم الانتقالي ومعزز بخطوات المعالجة المسبقة الكلاسيكية، CLAHE، إزالة العيوب الأثرية، وتطبيع الشدة، لتقييم DR بخمس فئات. حققت المجموعة أداء متميزا: دقة 91.2٪، وmacroAUC 0.961، وF₁score 0.913 للكشف عن DR القابل للتوصية، وحساسية 92.1٪ كما ورد في القسم 6. تفوقت هذه المقاييس بشكل كبير على كل من CNN الأساسي (الدقة ~83.4٪، macroAUC ~0.88) والنماذج الأساسية الفردية مثل ResNet50، Ef.......

المواد

قائمة المواد المستخدمة في هذه المقالة

الاسم	الشركة	رقم فهرسي	التعليقات
كاميرا قاع القاعدة (توبكون، كانون، زايس)	توبكون / كانون / زايس		يستخدم لالتقاط صور قاع القاعدة الملونة عالية الدقة تحت ظروف إضاءة مختلفة
بطاقة رسومات NVIDIA تسلا V100	شركة NVIDIA	تسلا V100	ذاكرة فيديو 32 جيجابايت؛ يستخدم في تدريب نماذج التعلم العميق
بايثون (OpenCV، مكتبات imgaug)	مجتمع المصادر المفتوحة		المعالجة المسبقة للصورة تشمل CLAHE، إزالة القطع الأثرية، التطبيع، التعزيز
TensorFlow 2.10 + Keras	جوجل برين		إطار عمل التعلم العميق المستخدم في بناء وتدريب نماذج CNN
EfficientNetB0 و العمود الفقري المدرب مسبقا لنظام DenseNet121	مفتوح المصدر (تطبيقات TensorFlow/Keras)		أعمدة التعلم التحويلي المدربة مسبقا على ImageNet المستخدمة لتصنيف DR