Аналіз зображень очного дна на основі машинного навчання
Вантажиться...
Файли
Дата
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
Альтернативна назва
Analysis of fundus images based on machine learning
Анотація
В даній роботі розгялнуто систему аналізу зображень очного дна на основі машинного навчання. Для покращення якості класифікації було використано значну попередню обробку зображень, а саме: адаптивна бінаризація, підвищення контрасту за допомогою методу CLAHE та морфологічні операції.
In this work, a system for analyzing images of the fundus based on machine learning was developed. Extensive image pre-processing including adaptive binarization, CLAHE contrast enhancement, and morphological operations were used to improve the classification quality.
In this work, a system for analyzing images of the fundus based on machine learning was developed. Extensive image pre-processing including adaptive binarization, CLAHE contrast enhancement, and morphological operations were used to improve the classification quality.
Опис
УДК
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Карась О. В., Тимчик С. В., Салдан Ю. Й., Моминжанова Кимбат, Мойсеєв Д. К. Аналіз зображень очного дна на основі машинного навчання // Оптико-електроннi iнформацiйно-енергетичнi технологiї. 2024. № 1. С. 140-147. URI: https://oeipt.vntu.edu.ua/index.php/oeipt/article/view/711.
Зібрання
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (1)
- 1. Abràmoff, M. D., Lavin, P. T., Birch, M., Shah, N., & Folk, J. C. (2018). Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. npj Digital Medicine, 1(1), 1-8. 2. Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., ... & Webster, D. R. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA, 316(22), 2402-2410. 3. Ting, D. S. W., Cheung, C. Y. L., Lim, G., Tan, G. S. W., Quang, N. D., Gan, A., ... & Wong, T. Y. (2017). Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA, 318(22), 2211-2223. 4. Gargeya, R., & Leng, T. (2017). Automated identification of diabetic retinopathy using deep learning. Ophthalmology, 124(7), 962-969. 5. Bellemo, V., Lim, G., Rim, T. H., Tan, G. S. W., Cheung, C. Y., Sadda, S. R., .& Ting, D. S. W. (2019). Artificial intelligence screening for diabetic retinopathy: the real-world emerging application. Current Diabetes Reports, 19(9), 1-7. 6. Yan, Q., Peng, Y., Shen, Y., Zhao, L., Cheng, Y., Zheng, F., ... & Wu, X. (2020). The global prevalence of diabetic retinopathy and its risk factors: a meta-analysis. Journal of Diabetes Research, 2020. 7. Wong, T. Y., Sun, J., Kawasaki, R., Ruamviboonsuk, P., Gupta, N., Lansingh, V. C., ... & Lamoureux, E. L. (2018). Guidelines on diabetic eye care: The International Council of Ophthalmology recommendations for screening, follow-up, referral, and treatment based on resource settings. Ophthalmology, 125(10), 1608-1622. 8. Diabetic Retinopathy Detection | Kaggle. https://www.kaggle.com/c/diabetic-retinopathydetection/data. 9. Mamyrbayev, O., Pavlov, S., Karas, O., Saldan, Y., Momynzhanova, K., & Zhumagulova, S. (2024). Increasing the reliability of diagnosis of diabetic retinopathy based on machine learning. EasternEuropean Journal of Enterprise Technologies, 2(9 (128), 17–26. https://doi.org/10.15587/1729- 4061.2024.297849. 10. Pavlov S.V., Martianova T.A., Saldan Y.R., and etc., “Methods and computer tools for identifying diabetes-induced fundus pathology”, Information Technology in Medical Diagnostics II. CRC Press, Balkema book, Taylor & Francis Group, London, UK, 87-99, 2019. 11. SaldanYosyp, Sergii Pavlov, Vovkotrub Dina, Waldemar Wójcik, and etc., “Efficiency of opticalelectronic systems: methods application for the analysis of structural changes in the process of eye grounds diagnosis,”, Proc. SPIE 10445, Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2017, 104450S (2017). 12. Lytvynenko, V., Lurie, I., Voronenko, M., etc., “The use of Bayesian methods in the task of localizing the narcotic substances distribution,” International Scientific and Technical Conference on Computer Sciences and Information Technologies, 2, 8929835, 60–63 (2019). 13. Friedman, Jerome, Trevor Hastie, and Robert Tibshirani., “The elements of statistical learning,” hastie.su.domains/ElemStatLearn (2009). 14. Wójcik, W., Pavlov, S., Kalimoldayev, M. (2019). Information Technology in Medical Diagnostics II. London: Taylor & Francis Group, CRC Press, Balkema book. – 336 Pages, https://doi.org/10.1201/ 9780429057618. eBook ISBN 9780429057618. 15. Perspectives of the application of medical information technologies for assessing the risk of anatomical lesion of the coronary arteries / Pavlov S. V., Mezhiievska I. A., Wójcik W. [et al.]. Science, Technologies, Innovations. 2023. №1(25), 44-55 p. 16. Wójcik, W.; Mezhiievska, I.; Pavlov, S.V.; etc. Medical Fuzzy-Expert System for Assessment of the Degree of Anatomical Lesion of Coronary Arteries. Int. J. Environ. Res. Public Health 2023.