Новый подход

Контур

  • Введение
  • Типы катаракты
  • Предпосылки
  • Мой подход
  • Рабочая среда
  • Сверточные нейронные сети
  • Производительность
  • Заключение и резюме
  • Ссылки

Введение

В эту новую эпоху катаракта стала одной из основных причин нарушения зрения во всем мире. По данным Всемирной организации здравоохранения, в последние годы и до сих пор катаракта является основной причиной слепоты примерно у 47,8% людей из примерно 17,7 миллионов слепых во всем мире.

Индия не сильно отстает от остального мира с точки зрения того, что катаракта является одной из основных причин слепоты. В 2019 году в Индии было около 22 миллионов слепых глаз, и 80,1% из них были слепы из-за катаракты. В большинстве случаев различные социальные, экономические и экологические факторы часто способствуют слепоте от катаракты у населения в гораздо более молодом возрасте. Следовательно, точное и своевременное лечение диагноза может улучшить качество жизни пациентов, страдающих катарактой. Тем не менее, опыт обученных специалистов-офтальмологов является обязательным в традиционном процессе обнаружения катаракты и оценки степени тяжести, что затрудняет раннюю диагностику катаракты для большинства пациентов с катарактой из-за экономических барьеров.

Типы катаракты

Известны три типа катаракты:

  1. Ядерная катаракта. Ядерная катаракта может сначала вызвать близорукость или даже временное улучшение зрения при чтении. Но со временем хрусталик постепенно становится более густо желтым и еще больше затуманивает ваше зрение. Мы можем назвать это легкой стадией катаракты.
  2. Кортикальная катаракта. Корковая катаракта начинается с появления беловатых клиновидных помутнений или полос на внешнем крае коры хрусталика. По мере его медленного развития полосы распространяются к центру и мешают свету, проходящему через центр линзы. Его, возможно, также называют умеренно катарактным типом.
  3. Задняя субкапсулярная катаракта. Задняя субкапсулярная катаракта начинается с небольшой непрозрачной области, которая обычно образуется возле задней части хрусталика, прямо на пути света. Задняя субкапсулярная катаракта часто мешает вашему зрению при чтении, ухудшает ваше зрение при ярком свете и вызывает блики или ореолы вокруг источников света в ночное время. Эти типы катаракты имеют тенденцию прогрессировать быстрее, чем другие типы. Это тяжелый тип катаракты, который может причинить пациенту больше вреда, чем остальные типы катаракты.

Вы можете узнать больше о катаракте, нажав здесь.

В этой статье я собираюсь продемонстрировать свой подход к автоматизации процесса обнаружения и оценки катаракты на основе степени ее серьезности с использованием искусственного интеллекта.

Необходимые условия

Прежде всего, благодаря моим усилиям я собрал наборы данных изображений глазного дна сетчатки из различных открытых ресурсов, а также некоторых из соответствующих организаций. Я вручную оценил набор данных в 4 разных класса:

1.Оценка 0: нет катаракты.

2. Степень 1: легкая катаракта (ядерный склеротический).

3. Степень 2: умеренная катаракта (кортикальная).

4. Степень 3: Тяжелая катаракта (задняя субкапсулярная).

Степень 0:это начальная степень катаракты, которая описывает, что глаз не имеет катаракты. Ниже приведен образец изображения глазного дна без катаракты:

Степень 1:это 2-я степень катаракты, которая описывает, что глаз страдает от доброкачественной катаракты. Ниже приведен образец изображения глазного дна с легкой катарактой:

Степень 2:это 3-я степень катаракты, которая описывает, что глаз страдает умеренной катарактой. Ниже приведен образец изображения глазного дна с умеренной катарактой:

Степень 3:это 4-я степень катаракты, которая описывает, что глаз страдает тяжелой катарактой. Ниже приведен образец изображения глазного дна тяжелой степени катаракты:

Рабочая обстановка

  • Программное обеспечение: Matlab R2020b с набором инструментов глубокого обучения.
  • Оборудование: процессор Intel i7 9-го поколения с тактовой частотой 2,6 ГГц и графический процессор Nvidia Geforce GTX 1660Ti.

Мой подход

После сбора набора данных я изменил размер каждого изображения на одинаковые размеры (я экспериментировал с 128*128, 256*256, 300*300 и 512*512). Теперь, вместо того, чтобы продвигаться дальше с изображением глазного дна RGB, я экспериментировал с несколькими цветовыми полосами и заметил, что в моем случае полоса зеленого цвета несет больше информации по сравнению с красной и синей полосами. Поэтому я извлек полосу зеленого цвета из изображения глазного дна RGB.

Исходный код (Matlab) для извлечения зеленой полосы показан ниже:

Сверточная сеть Nural

После ручной оценки и предварительной обработки данных остается только определить степень катаракты. Однако существует потребность в надежной модели глубокого обучения для эффективного обучения данным глазного дна. Таким образом, получив неудовлетворительную производительность трансферного обучения на данных глазного дна, я настроил CNN.

После экспериментов с различными CNN и их параметрами я придумал CNN, состоящий из 5 слоев 3 * 3 Convolution и 4 слоев 2 * 2 слоев Max Pooling для начального извлечения признаков. Кроме того, для обучения его характеристик я создал 3 последовательных полносвязных слоя, состоящих из 500, 250 и 50 нейронов соответственно. Для регуляризации я добавил несколько выпадающих слоев. В итоге получается выходной слой, состоящий из 4 нейронов, т.е. для 4 разрядов. В CNN используются две функции активации: функция активации Softmax для мультиклассовой классификации и функция активации блока выпрямителя Clipped для извлечения признаков.

ClippedReLU(x,z) = min(max(0,x),z)

Здесь x — это входной массив, а z — значение отсечения.

Здесь z — входной вектор, а k — действительное число.

Исходный код (Matlab) для настроенной CNN можно найти ниже:

Производительность

Имея 80 % обучающего набора данных и 20 % проверочного набора данных, я обучил модель на 150 эпох. Скорость обучения была установлена ​​на 0,003. Используя эти параметры, я смог достичь 98% точности обучения и 93% точности проверки.

Мне удалось достичь 93% точности для класса без катаракты, 90% точности для класса легкой катаракты, 93% точности для класса умеренной катаракты и 96% точности для класса тяжелой катаракты. Точно так же я смог получить 96% припоминания для класса без катаракты, 88% припоминания для класса легкой катаракты, 90% припоминания для класса умеренной катаракты и 99% припоминания для класса тяжелой катаракты.

В итоге общий балл F1 для класса без катаракты остается 94%, для класса с легкой катарактой — 89%, для класса со средней степенью катаракты — 91% и для класса с тяжелой катарактой — 97%.

Заключение и резюме

Нельзя отрицать, что существующие системы автоматического обнаружения катаракты, основанные на изображениях глазного дна, помогают пациентам и врачам обнаруживать и диагностировать катаракту. Однако эти автоматические системы используют набор предопределенных характеристик изображения, которые могут быть избыточными, неполными или зашумленными представлениями. Поэтому я использовал методы предварительной обработки и выделения зеленых полос, чтобы собрать оптимальные характеристики катаракты. По сути, это помогло выдающейся части процесса, то есть обучению и проверке CNN. Этот подход может уменьшить текущее вмешательство офтальмологов в процессы обнаружения и оценки катаракты.

Рекомендации

  1. Куиллен Д.А., Общие причины потери зрения у пожилых пациентов, американский семейный врач, 1999.
  2. Мэймэй Ян, Цзицзян Ян, Циньян Чжан, Ю Ниу, Цзяньцян Ли. Классификация изображений сетчатки для автоматического обнаружения катаракты, Healthcom, 2013.
  3. Йоав Фройнд, Роберт Э. Шапир, Обобщение онлайн-обучения на основе теории принятия решений и приложение к повышению. Эконометрика 2010.
  4. Jin Zheng, Liye Guo, Lihui Peng, Jianqiang Li, Классификация катаракты на основе изображений глазного дна. Системы и методы визуализации, 2014,
  5. Линлин Чжан, Цзяньцян Ли, И Чжан, Хе Хань, Бо Лю, Цзи-Цзян Ян, Цин Ван, Автоматическое обнаружение и оценка катаракты с использованием глубокой сверточной нейронной сети, 14-я Международная конференция IEEE по сетям, зондированию и контролю (ICNSC), 2017 г.
  6. Хадир Р. М. Тауфик, Рания А. К. Бирри, Амани А. Саад, Раннее распознавание и оценка катаракты с использованием комбинированного логарифмического преобразования Габора / дискретного вейвлета с ИНС и SVM, Международный журнал компьютерной и информационной инженерии Том: 12, №: 12, 2018 г.
  7. JJ Yang JJ, J Li, R Shen, Y Zeng, J He, J Bi, Y Li, Q Zhang, L Peng, Q Wang, Использование ансамблевого обучения для автоматического обнаружения и оценки катаракты, Компьютерные методы и программы в биомедицине, 2016.
  8. Б. Рамеш Кумар, Шимна М.П., ​​Последние подходы к автоматическому анализу обнаружения катаракты с использованием обработки изображений, Журнал сетевых коммуникаций и новых технологий (JNCET), том 7, выпуск 10, 2017 г.
  9. С. Сингх, С. Пардхан, В. Кулотунган, Г. Сваминатан, Дж. С. Равичандран, С. Ганесан, Т. Шарма, Р. Раман, Распространенность и факторы риска катаракты в сельской и городской Индии, Индийский журнал офтальмологии, том 7, выпуск 10, 2019.
  10. Р. Б. Ваджпаи, С. Джоши, Р. Саксена, С.К. Гупта, Эпидемиология катаракты в Индии: планы и стратегии борьбы, Журнал трансляционных и клинических исследований, том 31, 1999 г.