Konvolūcijas neironu tīklu (CNN) pielietojums tīklenes attēlu segmentēšanai diabētiskās retinopātijas gadījumā

Abstract

Šis bakalaura darbs ir uzrakstīts angļu valodā uz 33 lapām. Tajā ir 15 attēli, 9 tabulas un 24 atsauces. Šī disertācija ar nosaukumu "Uz CNN balstīta tīklenes dibena attēla segmentācija diabētiskās retinopātijas gadījumā" pievēršas tradicionālo DR diagnostikas metožu ierobežojumiem, kas ir laikietilpīgi un pakļauti novērotāja mainīgumam. (Sooraj & Bedeeuzzaman., 2020). Tā piedāvā jaunu mašīnmācīšanās un datorredzes paņēmienu tīklenes attēlu mikroaneirismu un asinsizplūdumu automatizētai segmentēšanai, pamatojoties uz YOLO (You Only Look One) 8. versijas modeli un testēts piecos izmēros (nano, mazs, vidējs, liels un īpaši). Liels). Pētījumā tiek izmantotas vienas un tās pašas datu kopas vairākas versijas, lai noteiktu vislabāko veiktspēju, izmantojot metriku Mean Average Precision at Intersection over Union (IoU) 50 (mAP50), un pēc tam salīdzina rezultātus ar esošajiem modeļiem literatūrā. Galvenie mērķi ir izveidot anotētu datu kopu, apmācīt uz mašīnmācīšanos balstītu sistēmu DR vērtēšanai un novērtēt tās precizitāti un uzticamību. Modeļa mAP50 bija 99,5% optiskajam diskam, 39,0% asiņošanai un 1,40% mikroaneirismām, un īpaši lielajam variantam bija visaugstākā noteikšanas precizitāte. Mērķis ir nodrošināt konsekventu, efektīvu un precīzu diagnostikas rīku, lai uzlabotu diabētiskās retinopātijas agrīnu atklāšanu un ārstēšanas rezultātus.

This thesis is written in English on 35 pages. It contains 15 figures, 9 tables and 24 references. This thesis, titled "CNN-based Retinal Fundus Image Segmentation in Diabetic Retinopathy," addresses the limitations of traditional DR diagnostic methods, which are time-consuming and subject to observer variability. (Sooraj & Bedeeuzzaman., 2020). It proposes a novel machine learning and computer vision technique for automated segmentation of microaneurysms and hemorrhages in retinal images, based on the YOLO (You Only Look Once) version 8 model and tested in five sizes (Nano, Small, Medium, Large, and Extra Large). The study uses multiple versions of the same dataset to identify the best-performing model using the Mean Average Precision at Intersection over Union (IoU) 50 (mAP50) metric, and then compares its results to existing models in the literature. The key goals are to create an annotated dataset, train a machine learning-based system for DR grading, and assess its accuracy and reliability. The model had a mAP50 of 99.5% for the optic disc, 39.0% for hemorrhages, and 1.40% for microaneurysms, with the Extra Large variant exhibiting the highest detection accuracy. The goal is to provide a consistent, efficient, and accurate diagnostic tool to improve early detection and treatment outcomes for diabetic retinopathy.