Solido Framework di Deep Learning per il Rilevamento Precoce della Retinopatia Diabetica utilizzando immagini preprocessate del fondo di fondo e CNN ottimizzate

Sommario

Questo studio presenta e descrive un flusso di lavoro basato sul deep learning per la diagnosi precoce della retinopatia diabetica utilizzando immagini preprocessate del fondo d'occhio e architetture di reti neurali convoluzionali ottimizzate, consentendo una classificazione accurata della malattia e una localizzazione spiegabile delle lesioni per applicazioni cliniche scalabili.

Abstract

La retinopatia diabetica (DR) è una delle principali cause di perdita della vista a livello globale, in particolare tra i pazienti con diabete poco controllato. La rilevazione precoce tramite analisi automatica delle immagini si è affermata come una soluzione scalabile per supportare interventi tempestivi. I modelli basati sul deep learning, in particolare le reti neurali convoluzionali (CNN), hanno mostrato un significativo potenziale nel rilevamento della DR da immagini del fondo della retina. Questo studio mirava a (i) sviluppare un framework di deep learning in ensemble utilizzando EfficientNetB0 e DenseNet121 per la classificazione DR in cinque stadi, (ii) valutare sistematicamente l'impatto della pre-elaborazione delle immagini del fondo sul fondo sul rendimento diagnostico, (iii) incorporare spiegazioni visive basate su Grad-CAM per la localizzazione delle lesioni, e (iv) ottenere un'elevata accuratezza diagnostica con efficienza computazionale adatta a screening scalabile. È stato curato un dataset comprendente 53.412 immagini del fondo di fondo da EyePACS, APTOS 2019 e un centro di cure terziari in Cina. I passaggi di preprocessing includevano l'equalizzazione adattativa dell'istogramma limitato a contrasto (CLAHE), la rimozione di artefatti e la normalizzazione. L'apprendimento per trasferimento è stato applicato utilizzando le backbone EfficientNetB0 e DenseNet121, seguito dall'assemblaggio ibrido. I modelli sono stati valutati utilizzando accuratezza, macro-AUC, sensibilità, specificità e punteggio F1. Grad-CAM è stato utilizzato per visualizzare la localizzazione delle lesioni. Il modello ibrido ensemble ha raggiunto una precisione del 91,2%, un macro-AUC di 0,961, una sensibilità del 92,1% e un punteggio F1 di 0,913. Il preprocessing ha migliorato le prestazioni del 3-4%, e l'approccio di ensemble ha superato le CNN standalone. Le sovrapposizioni Grad-CAM hanno confermato una localizzazione accurata delle lesioni. Le prestazioni del modello sono state valutate sia per la valutazione DR in cinque stadi sia per la rilevazione binaria di DR per riflettere i requisiti di screening clinico. Questo studio presenta un modello di deep learning clinicamente valido e spiegabile per il rilevamento della DR. I lavori futuri includeranno la validazione esterna su dataset indipendenti, valutazioni prospettiche nel mondo reale e ottimizzazione dei modelli (ad esempio, potatura e quantizzazione) per applicazioni di screening mobile e di punto di cura.

Introduzione

La DR è una complicanza microvascolare del diabete mellito e rimane una delle principali cause di disabilità visiva evitabile a livello^mondiale. L'iperglicemia cronica induce danni ai capillari retinici, portando a un aumento della permeabilità vascolare, formazione di microaneurismi, emorragie, essudati e, in stadi avanzati, proliferazione neovascolare. Senza un intervento tempestivo, questi cambiamenti possono evolvere in emorragia vitrea, distacco rettivo e perdita irreversibile della vista ^1,2. Studi epidemiologici stimano che circa il 35 percento d....

Protocollo

Questo studio ha comportato un'analisi retrospettiva. In conformità con le normative istituzionali e nazionali, l'approvazione formale del comitato etico e il consenso informato sono stati rinunciati, poiché non sono state accedute o utilizzate informazioni identificabili del paziente.

1. Fonti di dati e acquisizione

1. Rietichettare tutte le immagini secondo la Scala di Severità Internazionale della Retinopatia Clinica Diabetica (ICDR) (Gradi 0-4)¹⁰, per garantire la coerenza tra i dataset ottenuti da EyePACS, APTOS 2019 e la coorte di cure terziari.
....

Risultati

Riepilogo del dataset ed effetti di preprocessing

Il dataset curato consisteva in 53.412 immagini a colori del fondo d'occhio distribuite nelle cinque classi di gravità della DR: No DR (0) - 39,2%, Lieve (1) - 18,4%, Moderata (2) - 22,5%, Grave (3) - 12,1% e DR Proliferativa (4) - 7,8%. I dati provengono da EyePACS, APTOS 2019 e da un centro terziario cinese di oftalmologia, garantendo diversità di etnia, condizioni di imaging e specifiche del.......

Discussione

In questo studio, abbiamo sviluppato e valutato rigorosamente un modello ibrido di ensemble che combina EfficientNetB0 e DenseNet121, fine-tuned tramite transfer learning e potenziato con passaggi classici di preprocessing, CLAHE, rimozione di artefatti e normalizzazione dell'intensità, per la gradazione DR a cinque classi. L'ensemble ha raggiunto prestazioni eccezionali: accuratezza 91,2%, macroAUC 0,961 e F₁score 0,913 per il rilevamento DR referabile, e sensibilità del 92,1% come ripo.......

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
Fundus Camera (Topcon, Canon, Zeiss)	Topcon / Canon / Zeiss		Utilizzato per catturare fotografie a colori ad alta risoluzione sul fondo d'acqua in condizioni di illuminazione variabili
NVIDIA Tesla V100 GPU	NVIDIA Corporation	Tesla V100	32 GB di VRAM; Utilizzato per l'addestramento di modelli di deep learning
Python (OpenCV, librerie imgaug)	Comunità open-source		Preprocessing delle immagini inclusi CLAHE, rimozione di artefatti, normalizzazione, aumento
TensorFlow 2.10 + Keras	Google Brain		Framework di deep learning utilizzato per la costruzione e l'addestramento di modelli CNN
EfficientNetB0 & Spine dorsuali pre-addestrate DenseNet121	Open-source (TensorFlow/Keras Applications)		Backbone di apprendimento per trasferimento pre-addestrati su ImageNet utilizzati per la classificazione DR