Применение глубокого обучения в задаче диагностирования заболеваний по изображениям оптической когерентной томографии

Авторы: Цыкунов Д.В., Моисеева В.А.
Опубликовано в выпуске: #12(29)/2018
DOI: 10.18698/2541-8009-2018-12-416
Раздел: Медицинские науки | Рубрика: Медицинское оборудование и приборы
Ключевые слова: оптическая когерентная томография, глубокое обучение, сверточные нейронные сети, искусственный интеллект, классификация изображений, хориоидальная неоваскуляризация, диабетическая ретинопатия, сетчатка глаза
Опубликовано: 17.12.2018

В настоящее время технологии искусственного интеллекта играют очень важную роль в развитии многих отраслей науки, в том числе и медицины. В данной работе исследована возможность применения глубоких сверточных нейронных сетей для решения задачи классификации изображений оптической когерентной томографии. В процессе разработки модели использован метод передачи обучения (transfer learning). В результате обучена сверточная нейронная сеть, точность которой на тестовой выборке составляет 99,5 %. Данный результат показывает, что использование глубокого обучения в задачах диагностирования может сыграть большую роль в массовой диагностике пациентов.

Литература

[1] Goldbaum M., Moezzi S., Taylor A., Chatterjee S., Boyd J., Hunter E., Jain R. Automated diagnosis and image understanding with object extraction, object classification, and inferencing in retinal images. Proc. 3rd IEEE Int. Conf. Imaging, 1996, vol. 3, pp. 695–698.

[2] Hoover A., Goldbaum M. Locating the optic nerve in a retinal image using the fuzzy convergence of the blood vessels. IEEE Trans. Med. Imaging, 2003, vol. 22, no. 8, pp. 951–958.

[3] Hoover A., Kouznetsova V., Goldbaum M. Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response. IEEE Trans. Med. Imaging, 2000, vol. 19, no. 1, pp. 203–210.

[4] Сикорский О.С. Обзор свёрточных нейронных сетей для задачи классификации изображений. Новые информационные технологии в автоматизированных системах, 2017, № 20, с. 37–42.

[5] LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition. Proc. IEEE, 1998, vol. 86, no. 11, pp. 2278–2324

[6] Russakovsky O., Deng J., Su H., Krause J., Satheesh S., Ma S., Huang Z., Karpathy A., Khosla A., Bernstein M., Berg A.C., Fei-Feiand L. Imagenet large scale visual recognition challenge. International Journal of Computer Vision, 2015, vol. 115, no. 3, pp. 211–252.

[7] Shie Ch.K., Chuang Ch.H., Chou Ch.N., Wu M.H., Chang E.Y. Transfer representation learning for medical image analysis. 37th Annual Int. Conf. IEEE EMBC, 2015, pp. 711–714.

[8] Kermany D.S., Goldbaum M., Cai W., et al. Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell, 2018, vol. 172, no. 5, pp. 1122–1131-e9.

[9] Kermany D., Zhang K., Goldbaum M. Labeled optical coherence tomography (OCT) and chest X-Ray images for classification. Version 2. URL: https://data.mendeley.com/datasets/rscbjbr9sj/2 (дата обращения: 28.08.2018).

[10] Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. URL: https://arxiv.org/abs/1409.1556 (дата обращения: 28.08.2018).