КЛАССИФИКАЦИЯ СТАДИЙ ДИАБЕТИЧЕСКОЙ РЕТИНОПАТИИ ПО ФОТОГРАФИИ ГЛАЗНОГО ДНА
|
ВВЕДЕНИЕ 4
1. ОПИСАНИЕ ЗАДАЧИ 5
1.1. Постановка задачи 5
1.2. Математическая формулировка задачи 5
1.3. Исходные данные для расчетов 6
1.4. Медицинское описание признаков стадий диабетической ретинопатии .... 7
2. ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИЙ 10
2.1. Предобработка 10
2.1.1. Медианная фильтрация 11
2.1.2. Выравнивание гистограммы 11
2.1.3. Извлечение зеленого канала 12
2.1.4. Преобразование RGB в монохромное изображение 12
2.1.5. Преобразование RGB в изображение HSI 13
2.2. Извлечение признаков 14
2.2.1. Обзор применяемых методов для сегментации оптического диска 14
2.2.2. Обзор применяемых методов для сегментации сосудов 16
2.2.3. Обзор применяемых методов для сегментации микроаневризм и
кровоизлияний 16
2.2.4. Обзор применяемых методов для сегментации экссудат 17
2.3. Формирование вектора признаков 17
2.4. Классификация 18
3. ОПИСАНИЕ МЕТОДА РЕШЕНИЯ ЗАДАЧИ КЛАССИФИКАЦИИ
ДИАБЕТИЧЕСКОЙ РЕТИНОПАТИИ 19
3.1. Описание инструмента решения задачи 20
3.1.1. Нейронные сети 20
3.1.2. Сверточные нейронные сети 21
3.1.3. Выбор типа обучения 23
3.1.4. Функция активации 25
3.1.5. Дропаут 28
3.1.6. Архитектура сети 29
3.1.7. Функция потерь 32
3.1.8. Г иперпараметры сети 35
3.2. Решение проблемы несбалансированности классов 37
3.3. Предобработка изображений 39
3.3.1. Изменение размера 39
3.3.2. Нормализация 42
3.3.3. Выравнивание изображений 43
3.4. Инициализация весов 44
3.5. Аугментация данных 46
3.5.1. Отражения 47
3.5.2. Вращения 47
3.5.3. Обрезка 47
3.5.4. Изменение цвета 48
4. АНАЛИЗ РЕЗУЛЬТАТОВ ПОСТРОЕНИЯ МОДЕЛИ КЛАССИФИКАЦИИ 49
ЗАКЛЮЧЕНИЕ 55
СПИСОК ЛИТЕРАТУРЫ 57
ПРИЛОЖЕНИЕ
1. ОПИСАНИЕ ЗАДАЧИ 5
1.1. Постановка задачи 5
1.2. Математическая формулировка задачи 5
1.3. Исходные данные для расчетов 6
1.4. Медицинское описание признаков стадий диабетической ретинопатии .... 7
2. ОБЗОР СУЩЕСТВУЮЩИХ РЕШЕНИЙ 10
2.1. Предобработка 10
2.1.1. Медианная фильтрация 11
2.1.2. Выравнивание гистограммы 11
2.1.3. Извлечение зеленого канала 12
2.1.4. Преобразование RGB в монохромное изображение 12
2.1.5. Преобразование RGB в изображение HSI 13
2.2. Извлечение признаков 14
2.2.1. Обзор применяемых методов для сегментации оптического диска 14
2.2.2. Обзор применяемых методов для сегментации сосудов 16
2.2.3. Обзор применяемых методов для сегментации микроаневризм и
кровоизлияний 16
2.2.4. Обзор применяемых методов для сегментации экссудат 17
2.3. Формирование вектора признаков 17
2.4. Классификация 18
3. ОПИСАНИЕ МЕТОДА РЕШЕНИЯ ЗАДАЧИ КЛАССИФИКАЦИИ
ДИАБЕТИЧЕСКОЙ РЕТИНОПАТИИ 19
3.1. Описание инструмента решения задачи 20
3.1.1. Нейронные сети 20
3.1.2. Сверточные нейронные сети 21
3.1.3. Выбор типа обучения 23
3.1.4. Функция активации 25
3.1.5. Дропаут 28
3.1.6. Архитектура сети 29
3.1.7. Функция потерь 32
3.1.8. Г иперпараметры сети 35
3.2. Решение проблемы несбалансированности классов 37
3.3. Предобработка изображений 39
3.3.1. Изменение размера 39
3.3.2. Нормализация 42
3.3.3. Выравнивание изображений 43
3.4. Инициализация весов 44
3.5. Аугментация данных 46
3.5.1. Отражения 47
3.5.2. Вращения 47
3.5.3. Обрезка 47
3.5.4. Изменение цвета 48
4. АНАЛИЗ РЕЗУЛЬТАТОВ ПОСТРОЕНИЯ МОДЕЛИ КЛАССИФИКАЦИИ 49
ЗАКЛЮЧЕНИЕ 55
СПИСОК ЛИТЕРАТУРЫ 57
ПРИЛОЖЕНИЕ
Диабетическая ретинопатия (ДР) одно из наиболее сложных и часто встречающихся осложнений сахарного диабета, поражающее сосуды сетчатой оболочки глазного яблока, наблюдаемое у 90% пациентов, больных сахарным диабетом. Согласно прогнозам это будет второй наиболее частой болезнью к 2030 году[1].На первой стадии заболевание проходит практически без симптомов, что осложняет его обнаружение и предотвращение развития болезни. Изменения проходят только в самом глазном дне, и, чем сильнее эти изменения, тем больше вероятность того, что человек ослепнет. До настоящего времени наиболее эффективным является лечение на ранних стадиях заболевания. Поэтому раннее выявление путем регулярного скрининга имеет первостепенное значение. Для того, чтобы обнаружить ДР на ранней стадии необходимо своевременное офтальмологическое обследование, которое включает в себя изучение и оценку изображения дна сетчатки. Данный процесс является довольно трудоемким, проводится он вручную и требует высококвалифицированных специалистов. Для обеспечения возможности регулярного скрининга необходимо снизить его стоимость в частности за счет исключения анализа всех снимков специалистами, а предоставить первичную диагностику автоматизированной системе. Учитывая серьезность последствий ретинопатии, раннее обнаружение заболевания является необходимым для предотвращения развития слепоты. Исходя из вышеизложенного, есть необходимость разработать автоматизированную систему диагностики ДР используя аппарат анализа данных и машинного обучения.
Целью работы является построение классификатора, который по входному изображению сетчатки глаза будет определять стадию заболевания или его отсутствие. Ожидается получение эффективной автоматической системы обнаружения заболевания с потенциалом клинического использования.
Для достижения указанной цели необходимо решить следующие задачи:
• Проанализировать данные
• Подготовить данные для работы классификатора
• Решить проблему несбалансированности классов
• Решить проблему упорядоченной классификации
• Построить классификатор
• Оценить результаты
В данной работе описан подход к решению задачи классификации с использованием сверточных нейронных сетей, так как этот аппарат машинного обучения показывает очень хорошие результаты при классификации изображений в течение последних лет. Аппарат сверточных нейронных сетей не применялся к задаче пятиклассовой классификации диабетической ретинопатии, что характеризует научную новизну рассматриваемой задачи.
Данная работа содержит 4 главы. В первой главе приводится постановка задачи и описание данных. Во второй главе проводится обзор предметной области, проводится анализ и сравнение существующих подходов к решению данной проблемы, выявляются их достоинства и недостатки. В третьей главе описывается этап разработки математической модели анализа и сравниваются реализации на предложенных теоретических подходах. Четвертая глава посвящена качественной и количественной оценке полученного результата.
Целью работы является построение классификатора, который по входному изображению сетчатки глаза будет определять стадию заболевания или его отсутствие. Ожидается получение эффективной автоматической системы обнаружения заболевания с потенциалом клинического использования.
Для достижения указанной цели необходимо решить следующие задачи:
• Проанализировать данные
• Подготовить данные для работы классификатора
• Решить проблему несбалансированности классов
• Решить проблему упорядоченной классификации
• Построить классификатор
• Оценить результаты
В данной работе описан подход к решению задачи классификации с использованием сверточных нейронных сетей, так как этот аппарат машинного обучения показывает очень хорошие результаты при классификации изображений в течение последних лет. Аппарат сверточных нейронных сетей не применялся к задаче пятиклассовой классификации диабетической ретинопатии, что характеризует научную новизну рассматриваемой задачи.
Данная работа содержит 4 главы. В первой главе приводится постановка задачи и описание данных. Во второй главе проводится обзор предметной области, проводится анализ и сравнение существующих подходов к решению данной проблемы, выявляются их достоинства и недостатки. В третьей главе описывается этап разработки математической модели анализа и сравниваются реализации на предложенных теоретических подходах. Четвертая глава посвящена качественной и количественной оценке полученного результата.
Наше исследование показало, что задача классификация диабетической ретинопатии на пять стадий может быть решена с использованием сверточных нейронных сетей. Построенная сеть показала многообещающие результаты и способность определять многие признаки заболевания. Так наилучшим образом сеть распознавала изображения здоровых глаз, а также 2 и 4 степень заболевания. Точность классификатора равно 82%, а взвешенная квадратичная каппа - 79%. Также каппа была рассчитана для более большого набора данных, для которого информация о принадлежности к классам не предоставлена в открытом доступе. Для данного набора из 53 576 объектов каппа равна 69%.
Описанный метод дает сопоставимые результаты предыдущими методами. Данная модель прогнозирования является эффективной и
конкурентноспособной, при этом ее конструирование не требовало глубокого изучения медицинских аспектов рассматриваемой задачи - диабетической ретинопатии.
Потенциальная выгода от использования нашей обученной сети - это то, что она может быстро классифицировать тысячи изображений в режиме реального времени всякий раз, когда приобретается новое изображение. На практике пациенту чаще всего нужно ждать, так как оценка снимка проводится не сразу, а отправляется экспертам.
Сеть не имеет проблем с обучением обнаружению образа здорового глаза. Вероятно, это связано с большим количеством здоровых глаз в наборе данных. Также хорошо распознаются классы, имеющие яркие признаки стадии - для второго класса это наличие экссудат, для четвертого - неоваскуляризация и множественные кровоизлияния. Первый и третий классы имеют менее отчетливые признаки, поэтому классифицируются, вероятно, по признакам класса, который ниже, то есть как нулевой и второй класс.
В работе использовалась специфическая матрица функции ошибок, которая позволила классификатору меньше ошибаться с точки зрения упорядоченных классов, то есть классификатор ошибается, но большинство ошибок касаются определения изображения в соседний класс, что является менее грубой ошибкой, чем определение, например, здорового глаза как четвертой стадии заболевания. Применение нормализации входных данных позволило скорректировать работу классификатора, а аугментация данных, проводимая на каждой эпохе, позволила обучать сеть разным видам изображений, не позволяя сети переобучаться, при этом не занимая физическую память компьютера для хранения всех этих модификаций и не увеличивая время обработки.
В будущем планируется улучшить сеть. Планируется изменить способ инициализации весов и инициализацию проводить с использованием предобученных сетей, использовать изображения большего размера и распараллелить вычисления на видеокарте, для ускорения процесса обучения классификатора. Мы предполагаем, что за счет таких модификаций можно достичь более высоких результатов. На данный момент изображения большего размера не применялись из-за длительности обучения.
Построенная сеть хорошо справилась с задачей классификации. Она имеет потенциал в будущем быть использованной в медицинских целях как средство предварительного диагностирования, которое поможет быстро ставить диагноз и отправлять на оценку экспертов только неоднозначные снимки.
Описанный метод дает сопоставимые результаты предыдущими методами. Данная модель прогнозирования является эффективной и
конкурентноспособной, при этом ее конструирование не требовало глубокого изучения медицинских аспектов рассматриваемой задачи - диабетической ретинопатии.
Потенциальная выгода от использования нашей обученной сети - это то, что она может быстро классифицировать тысячи изображений в режиме реального времени всякий раз, когда приобретается новое изображение. На практике пациенту чаще всего нужно ждать, так как оценка снимка проводится не сразу, а отправляется экспертам.
Сеть не имеет проблем с обучением обнаружению образа здорового глаза. Вероятно, это связано с большим количеством здоровых глаз в наборе данных. Также хорошо распознаются классы, имеющие яркие признаки стадии - для второго класса это наличие экссудат, для четвертого - неоваскуляризация и множественные кровоизлияния. Первый и третий классы имеют менее отчетливые признаки, поэтому классифицируются, вероятно, по признакам класса, который ниже, то есть как нулевой и второй класс.
В работе использовалась специфическая матрица функции ошибок, которая позволила классификатору меньше ошибаться с точки зрения упорядоченных классов, то есть классификатор ошибается, но большинство ошибок касаются определения изображения в соседний класс, что является менее грубой ошибкой, чем определение, например, здорового глаза как четвертой стадии заболевания. Применение нормализации входных данных позволило скорректировать работу классификатора, а аугментация данных, проводимая на каждой эпохе, позволила обучать сеть разным видам изображений, не позволяя сети переобучаться, при этом не занимая физическую память компьютера для хранения всех этих модификаций и не увеличивая время обработки.
В будущем планируется улучшить сеть. Планируется изменить способ инициализации весов и инициализацию проводить с использованием предобученных сетей, использовать изображения большего размера и распараллелить вычисления на видеокарте, для ускорения процесса обучения классификатора. Мы предполагаем, что за счет таких модификаций можно достичь более высоких результатов. На данный момент изображения большего размера не применялись из-за длительности обучения.
Построенная сеть хорошо справилась с задачей классификации. Она имеет потенциал в будущем быть использованной в медицинских целях как средство предварительного диагностирования, которое поможет быстро ставить диагноз и отправлять на оценку экспертов только неоднозначные снимки.