А.Н. Наркевич1, Т.Х. Мамедов2, Д.В. Дзюба3

1–3 ФГБОУ ВО Красноярский государственный медицинский университет
им. проф. В.Ф. Войно-Ясенецкого Минздрава России (г. Красноярск, Россия)

Постановка проблемы. В медицине для диагностики различных заболеваний применяются продвинутые компьютерные методы и технологии машинного обучения. Среди таких технологий – нейронные сети. Технология способна ускорить и упростить диагностику многих заболеваний, например, диабетической ретинопатии у пациентов с сахарным диабетом.

Цель работы – разработка модели глубокой сверточной нейронной сети для распознавания диабетической ретинопатии на цифровых изображениях глазного дна.

Результаты. Обучение модели сверточной нейронной сети позволило достичь высокого показателя точности классификации диабетической ретинопатии на цифровых изображениях глазного дна, которая составила 93,4 [92,6; 94,2]%.

Практическая значимость. Построенная модель является перспективной для дальнейшего её применения в скрининговой диагностике диабетической ретинопатии.

Наркевич А.Н., Мамедов Т.Х., Дзюба Д.В. Распознавание диабетической ретинопатии на цифровых изображениях глазного дна с применением сверточных нейронных сетей глубокого обучения // Технологии живых систем. 2023. T. 20. № 1. С. 55-61. DOI: https://doi.org/10.18127/j20700997-202301-06

1. Бикбов М.М., Файзрахманов Р.Р., Каланов М.Р. Комбинированный подход к оперативному лечению пациентов с пролиферативной стадией диабетической ретинопатии // Саратовский научно-медицинский журнал. 2017. Т. 13(2). С. 338–345.
2. Борщук Е.Л., Чупров А.Д., Лосицкий А.О. Организация скрининга диабетической ретинопатии с применением телемедицинских технологий // Практическая медицина. 2018. Т. 16(4). С. 68–70.
3. Осетрова Н.Б., Кублик Е.С., Минеева Е.С. Кардиоренальный синдром у больных с сахарным диабетом 2 типа и гипертонической болезнью // Сибирское медицинское обозрение. 2020. Т. 121(1). С. 45–54.
4. Павлов В.Г., Сидамонидзе А.Л., Петрачков Д.В. Современные тенденции скрининга диабетической ретинопатии // Вестник офтальмологии. 2020. Т. 136(4). С. 300–309.
5. Ямаев М.И., Шипицин С.П., Филатова Е.С. Нейронные сети для классификации ЭЭГ: от перцептрона до сверточной LSTM-сети // Международная конференция по мягким вычислениям и измерениям. 2018. Т. 1. С. 765–768.
6. Qummar S., Khan F. G., Shah S. A deep learning ensemble approach for diabetic retinopathy Detection // IEEE Access. 2019. V. 7. P. 150530–150539.
7. Krittanawong C., Zhang H., Wang Z. Artificial intelligence in precision cardiovascular medicine // Journal of the American College of Cardiology. 2017. V. 69(21). P. 2657–2664.
8. Cheloni R., Gandolfi S. A., Signorelli C. Global preVolence of diabetic retinopathy: protocol for a systematic review and meta-analysis // BMJ open. 2019. V. 3(9). P. 1–5.
9. Anwar S.M., Majid M., Qayyum A. Medical image analysis using convolutional neural networks: a review // Journal of medical systems. 2018. V. 42(11). P. 226.
10. Vujosevic S., Aldington S.J., Silva P. Screening for diabetic retinopathy: new perspectives and challenges // The Lancet Diabetes & Endocrinology. 2020. V. 8(4). P. 337–347.