Solidne ramy głębokiego uczenia do wykrywania wczesnej retinopatii cukrzycowej z wykorzystaniem wstępnie przetworzonych obrazów dna dna oraz zoptymalizowanych CNN

Podsumowanie

Niniejsze badanie przedstawia oparty na głębokim uczeniu workflow do wczesnego wykrywania retinopatii cukrzycowej, wykorzystując wstępnie przetworzone obrazy dna oraz zoptymalizowane architektury splotowych sieci neuronowych, umożliwiając dokładną klasyfikację chorób i wyjaśnialną lokalizację zmian do skalowalnych zastosowań klinicznych.

Streszczenie

Retinopatia cukrzycowa (DR) jest główną przyczyną utraty wzroku na świecie, szczególnie u pacjentów z źle kontrolowaną cukrzycą. Wczesne wykrywanie poprzez zautomatyzowaną analizę obrazów stało się skalowalnym rozwiązaniem wspierającym terminową interwencję. Modele oparte na głębokim uczeniu, szczególnie konwolucyjne sieci neuronowe (CNN), wykazały znaczące obiecujące możliwości wykrywania DR na podstawie obrazów dna siatkówki. Celem tego badania było (i) opracowanie ram głębokiego uczenia zespołowego z wykorzystaniem EfficientNetB0 i DenseNet121 do pięciostopniowej klasyfikacji DR, (ii) systematyczne oceny, wpływ wstępnego przetwarzania obrazów w dnie dna na wydajność diagnostyczną, (iii) włączenie wizualnych wyjaśnień opartych na Grad-CAM dla lokalizacji zmian oraz (iv) osiągnięcie wysokiej dokładności diagnostycznej z wydajnością obliczeniową odpowiednią do skalowalnego przesiewu. Opracowano zbiór danych zawierający 53 412 obrazów dna dna z EyePACS, APTOS 2019 oraz centrum opieki trzeciej w Chinach. Etapy wstępnego przetwarzania obejmowały adaptacyjną korektę histogramu o ograniczonym kontrastie (CLAHE), usuwanie artefaktów oraz normalizację. Uczenie transferowe było stosowane przy użyciu szkieletów EfficientNetB0 i DenseNet121, a następnie nastąpiło hybrydowe składanie. Modele oceniano z uwzględnieniem dokładności, makro-AUC, czułości, specyficzności oraz wyniku F1. Do wizualizacji lokalizacji zmian użyto Grad-CAM. Model hybrydowy osiągnął dokładność 91,2%, makro-AUC 0,961, czułość 92,1% oraz wynik F1 0,913. Wstępne przetwarzanie poprawiło wydajność o 3-4%, a podejście zespołowe przewyższyło samodzielne CNN. Nakładki Grad-CAM potwierdziły dokładną lokalizację zmian. Oceniono wydajność modelu zarówno pod kątem pięciostopniowej oceny DR, jak i binarnego, referencyjnego wykrywania DR, aby odzwierciedlić wymagania kliniczne dotyczące przesiewowych. Badanie to przedstawia klinicznie wykonalny, wyjaśnialny model głębokiego uczenia do wykrywania DR. Przyszłe prace obejmą zewnętrzną walidację niezależnych zbiorów danych, perspektywiczną ocenę rzeczywistych oraz optymalizację modeli (np. przycinanie i kwantyzację) dla aplikacji przesiewowych mobilnych i punkt opieki zdrowotnej.

Wprowadzenie

DR to mikronaczyniowe powikłanie cukrzycy i pozostaje jedną z głównych przyczyn możliwych do uniknięcia upośledzenia wzroku na całym świecie¹. Przewlekła hiperglikemia powoduje uszkodzenia naczyń włosowatych siatkówki, prowadząc do zwiększonej przepuszczalności naczyniowej, powstawania mikrotętniaków, krwotoków, wysięków, a w zaawansowanych stadiach także do proliferacji neowaskularnej. Bez terminowej interwencji zmiany te mogą przeprowadzić się do krwotoku szklistego, odwarstwienia siatkówki traktyjnej oraz nieodwracalnej utraty wzroku ^1,2. Badania epidemiologiczne szacują, że około 35....

Protokół

Badanie to obejmowało analizę retrospektywną. Zgodnie z przepisami instytucjonalnymi i krajowymi, formalna akceptacja komisji etyki oraz świadoma zgoda zostały zniesione, ponieważ nie uzyskano dostępu ani wykorzystania żadnych danych pacjenta do identyfikacji pacjentów.

1. Źródła danych i pozyskiwanie danych

1. Przeznacz wszystkie obrazy zgodnie z Międzynarodową Skalą Nasilenia Klinicznej Retinopatii Cukrzycowej (ICDR) (stopnie 0-4)¹⁰, aby zapewnić spójność między zbiorami danych uzyskanymi z EyePACS, APTOS 2019 oraz kohortą trzeciorzędowej opieki zdrowotnej.
2. Przypisuj oryginalne e....

Wyniki

Podsumowanie zbioru danych i efekty wstępnego przetwarzania

Kuratorowany zbiór danych składał się z 53 412 kolorowych obrazów dna dna rozdzielonych w pięciu klasach nasilenia DR: bez DR (0) - 39,2%, łagodne (1) - 18,4%, umiarkowane (2) - 22,5%, ciężkie (3) - 12,1% oraz proliferacyjne DR (4) - 7,8%. Dane pochodzą z EyePACS, APTOS 2019 oraz chińskiego ośrodka okulistycznego trzeciego stopnia, co zapewnia różnorodność w zakresie etniczności, warunków obrazowania i specyfikacji ka.......

Dyskusja

W tym badaniu opracowaliśmy i rygorystycznie oceniliśmy hybrydowy model zespołu łączący EfficientNetB0 i DenseNet121, dopracowany za pomocą uczenia transferowego i wzbogacony o klasyczne kroki wstępnego przetwarzania, CLAHE, usuwanie artefaktów oraz normalizację intensywności, dla pięcioklasowego stopniowania DR. Zespół osiągnął znakomite wyniki: dokładność 91,2%, makroAUC 0,961 oraz wynik F₁score 0,913 dla wykrywania DR do odwołania oraz czułość 92,1% zgodnie z Sekcją 6. Te wskaźniki znacznie przewyższały zarówno bazowe.......

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Kamera fundus (Topcon, Canon, Zeiss)	Topcon / Canon / Zeiss		Wykorzystywany do wykonywania wysokorozdzielczych kolorowych fotografii dna dna w różnych warunkach oświetlenia
NVIDIA Tesla V100 GPU	NVIDIA Corporation	Tesla V100	32 GB VRAM; Wykorzystywane do trenowania modeli głębokiego uczenia
Python (OpenCV, biblioteki imgaug)	Społeczność open-source		Wstępne przetwarzanie obrazów, w tym CLAHE, usuwanie artefaktów, normalizacja, augmentacja
TensorFlow 2.10 + Keras	Google Brain		Ramy głębokiego uczenia używane do budowania modeli i treningu CNN
EfficientNetB0 & TesNet121 pretrenowane kręgosłupy	Open-source (TensorFlow/Keras Applications)		Podstawy transferowego uczenia się wstępnie wytrenowane na ImageNet używane do klasyfikacji DR