Ön İşlenmiş Fundus Görüntüleri ve Optimize Edilmiş CNN'ler Kullanılarak Erken Diyabetik Retinopati Tespiti İçin Sağlam Derin Öğrenme Çerçevesi

Zhina Zhu; Dandan Lin; Qiuyu Wang

doi:10.3791/69901

Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Ön İşlenmiş Fundus Görüntüleri ve Optimize Edilmiş CNN'ler Kullanılarak Erken Diyabetik Retinopati Tespiti İçin Sağlam Derin Öğrenme Çerçevesi

330 görüntüleme

⸱

DOI:

10.3791/69901

⸱

24 Mart 2026

Zhina Zhu¹ , Dandan Lin¹ , Qiuyu Wang¹

¹Ophthalmology Department, Yueqing People's Hospital

Bu makalede

Özet

Bu çalışma, önceden işlenmiş fundus görüntüleri ve optimize edilmiş konvolüsyon sinir ağı mimarileri kullanılarak diyabetik retinopatinin erken tespiti için derin öğrenme tabanlı bir iş akışını tanımlıyor; böylece doğru hastalık sınıflandırması ve ölçeklenebilir klinik uygulama için açıklanabilir lezyon lokalizasyonu sağlanıyor.

Özet

Diyabetik retinopati (DR), özellikle kötü kontrol edilen diyabetli hastalar arasında küresel olarak görme kaybının önde gelen nedenlerinden biridir. Otomatik görüntü analiziyle erken tespit, zamanında müdahaleyi desteklemek için ölçeklenebilir bir çözüm olarak ortaya çıkmıştır. Derin öğrenme tabanlı modeller, özellikle konvolüsyon sinir ağları (CNN'ler), retinal fundus görüntülerinden DR algılamada önemli umut vaat etmiştir. Bu çalışma, (i) beş aşamalı DR sınıflandırması için EfficientNetB0 ve DenseNet121 kullanarak bir derin öğrenme çerçevesi geliştirmeyi, (ii) fundus görüntü ön işlemenin tanı performansını sistematik olarak değerlendirmeyi, (iii) lezyon lokalizasyonu için Grad-CAM tabanlı görsel açıklamaları dahil etmeyi ve (iv) ölçeklenebilir taramaya uygun hesaplama verimliliğiyle yüksek tanı doğruluğu sağlamayı amaçladı. EyePACS, APTOS 2019 ve Çin'deki bir üçüncü sınıf bakım merkezinden 53.412 fundus görsesinden oluşan bir veri seti hazırlandı. Ön işleme adımları arasında kontrast sınırlı adaptif histogram eşitleme (CLAHE), artefakt çıkarımı ve normalizasyon yer aldı. Transfer öğrenmesi EfficientNetB0 ve DenseNet121 omurgaları kullanılarak uygulandı, ardından hibrit montaj yapıldı. Modeller doğruluk, makro-AUC, duyarlılık, özgüllük ve F1-puanı kullanılarak değerlendirildi. Lezyonun lokalizasyonunu görselleştirmek için Grad-CAM kullanıldı. Hibrit topluluk modeli %91,2 doğruluk, 0,961 makro-AUC, %92,1 hassasiyet ve 0,913 F1 puanı elde etti. Ön işleme performansı %3-4 oranında iyileştirdi ve topluluk yaklaşımı bağımsız CNN'lerden daha iyi performans gösterdi. Grad-CAM kaplamaları, doğru lezyon lokalizasyonunu doğruladı. Model performansı, klinik tarama gereksinimlerini yansıtmak için hem beş aşamalı DR derecelendirmesi hem de ikili referanslanabilir DR tespiti için değerlendirildi. Bu çalışma, DR tespiti için klinik olarak uygulanabilir ve açıklanabilir bir derin öğrenme modeli sunmaktadır. Gelecekteki çalışmalar arasında bağımsız veri setlerinde dış doğrulama, gerçek dünya değerlendirmesi ve mobil ile bakım noktası tarama uygulamaları için model optimizasyonu (örneğin, budama ve kuantizasyon) yer alacak.

Giriş

DR, diyabetin mikrovasküler komplikasyonudur ve dünya genelinde önlenebilir görme bozukluklarının başlıca nedenlerinden^{biri olmaya devam etmektedir. 1}. Kronik hiperglisemi, retinal kapilyarlarda hasara yol açar; bu da damar geçirgenliğinin artmasına, mikroanevrizma oluşumuna, kanamalara, eksüdatlara ve ileri evrelerde neovasküler proliferasyona yol açar. Zamanında müdahale edilmezse, bu değişiklikler vitreus kanama, traksiyonel retina ayrılması ve geri dönüşü olmayan görme^{kaybına dönüşebilir} ^1,2. Epidemiyolojik çalışmalar, diyabetli bireylerin yaklaşık ....