Метод диагностики диабетической ретинопатии на основе анализа изображений глазного дна

Введение. Диабетическая ретинопатия – это повреждение сетчатки глаза при сахарном диабете вследствие высокого уровня сахара в крови. Это заболевание может привести к слепоте, если болезнь диагностируется и лечится на поздних стадиях развития патологии. Оно вызывает изменения кровеносных сосудов и появление некоторых повреждений, таких, как твердые экссудаты и микроаневризмы. Для диагностики диабетической ретинопатии часто используется метод оценки сосудистых структур на основе изображений глазного дна. Однако даже врачи-офтальмологи не могут обнаружить эти повреждения из-за фоновых помех и их низкого контраста, вследствие чего разработка метода для обнаружения признаков диабетической ретинопатии, в особенности на ранних стадиях, является актуальной.
Цель работы. Разработка метода диагностики диабетической ретинопатии с использованием дерева решений на основе изображений глазного дна.
Материалы и методы. Применены методы на основе сегментации изображений с выделением характерных признаков и бинарной классификации. Используется верифицированная база данных для оценки точности метода выявления диабетической ретинопатии.
Результаты. Разработан алгоритм, включающий методы сегментации сосудов, экссудатов и микроаневризм для выявления диабетической ретинопатии на основе цифровой обработки изображений структуры стенок кровеносных сосудов с использованием бинарной классификации. Получены результаты с применением разработанных методов с высокой точностью обнаружения диабетической ретинопатии с использованием верифицированной базы изображений глазного дна. Чувствительность, специфичность и точность обнаружения диабетической ретинопатии составили соответственно 87.14, 88.50 и 87.81 %.
Заключение. Разработанный метод позволяет обнаруживать диабетическую ретинопатию у пациентов на ранних стадиях заболевания с достаточно высокой точностью. Метод также может быть применен в системе поддержки врача для принятия решений при диабетической ретинопатии.

1. Диабетическая ретинопатия / Т. М. Миленькая, Е. Г. Бессмертная, В. К. Александрова, Н. Б. Смирнова, Т. А. Андрианова // Сахарный диабет. 2005. Т. 8, № 3. С. 18–20. doi: 10.14341/2072-0351-5573

2. Эпидемиология и регистр диабетической ретинопатии в Российской Федерации / Д. В. Липатов, В. К. Александрова, Д. С. Атарщиков, Е. Г. Бессмертная, И. Л. Кон, А. Г. Кузьмин, Т. А. Чистяков // Сахарный диабет. 2014. № 1. С. 4–7. doi: 10.14341/DM201414-7

3. Wang W., Lo A. C. Diabetic retinopathy: pathophysiology and treatments // Intern. J. of Molecular Sciences. 2018. Vol. 19, № 6. P. 1816. doi: 10.3390/ijms19061816

4. The progress in understanding and treatment of diabetic retinopathy / A. W. Stitt, T. M. Curtis, M. Chen, R. J. Medina, G. J. McKay, A. Jenkins, N. Lois // Progress in retinal and eye research. 2016. Vol. 51. P. 156–186. doi: 10.1016/j.preteyeres.2015.08.001

5. The benefits of health information technology: a review of the recent literature shows predominantly positive results / M. B. Buntin, M. F. Burke, M. C. Hoaglin, D. Blumenthal // Health affairs. 2011. Vol. 30, iss. 3. P. 464–471. doi: 10.1377/hlthaff.2011.0178

6. Jones S., Edwards R. T. Diabetic retinopathy screening: a systematic review of the economic evidence // Diabetic medicine. 2010. Vol. 27, iss. 3. P. 249–256. doi: 10.1111/j.1464-5491.2009.02870.x

7. Artificial intelligence for diabetic retinopathy screening: a review / A. Grzybowski, P. Brona, G. Lim, P. Ruamviboonsuk, G. S. Tan, M. Abramoff, D. S. Ting // Eye. 2020. Vol. 34, iss. 3. P. 451–460. doi: 10.1038/s41433-019-0728-0

8. Automated early detection of diabetic retinopathy / M. D. Abràmoff, J. M. Reinhardt, S. R. Russell, J. C. Folk, V. B. Mahajan, M. Niemeijer, G. Quellec // Ophthalmology. 2010. Vol. 117, iss. 6. P. 1147–1154. doi: 10.1016/j.ophtha.2010.03.046

9. A deep learning ensemble approach for diabetic retinopathy detection / S. Qummar, F. G. Khan, S. Shah, A. Khan, S. Shamshirband, Z. U. Rehman, W. Jadoon // IEEE Access. 2019. Vol. 7. P. 150530–150539. doi: 10.1109/ACCESS.2019.2947484

10. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs / V. Gulshan, L. Peng, M. Coram, M. C. Stumpe, D. Wu, A. Narayanaswamy, D. R. Webster // Jama. 2016. Vol. 316, iss. 22. P. 2402–2410. doi: 10.1001/jama.2016.17216

11. Multidimensional contrast limited adaptive histogram equalization / V. Stimper, S. Bauer, R. Ernstorfer, B. Schölkopf, R. P. Xian // IEEE Access. 2019. Vol. 7. P. 165437–165447. doi: 10.1109/ACCESS.2019.2952899 12. Wu Nailong. The maximum entropy method // Springer Series in Information Sciences. Springer, 2012. Vol. 32. 327 p.

12. Suresh A., Shunmuganathan K. L. Image texture classification using gray level co-occurrence matrix based statistical features // European J. of Scientific Research. 2012. Vol. 75, № 4. P. 591–597.

13. Patel Brijain R, Kaushik K. Rana. A survey on decision tree algorithm for classification // Intern. J. of Engineering Development and Research. 2014. Vol. 2, iss. 1. P. 1–5.

14. Montgomery D. C., Runger G. C. Applied statistics and probability for engineers. John Wiley & Sons, 2010. 784 p.