ĐÁNH GIÁ PHÂN LOẠI CÁC BỆNH VỀ MẮT BẰNG RESNET TRÊN BỘ DỮ LIỆU HÌNH ẢNH CHỤP VÕNG MẠC THU THẬP TỪ BỆNH VIỆN THÁI BÌNH

Vũ Huy Lượng; Nguyễn Thị Mai Phương; Phạm Văn Ngọc; Nguyễn Văn Sinh; Trần Văn Cảnh

doi:10.34238/tnu-jst.7644

ĐÁNH GIÁ PHÂN LOẠI CÁC BỆNH VỀ MẮT BẰNG RESNET TRÊN BỘ DỮ LIỆU HÌNH ẢNH CHỤP VÕNG MẠC THU THẬP TỪ BỆNH VIỆN THÁI BÌNH

Thông tin bài báo

Ngày nhận bài: 01/04/23 Ngày hoàn thiện: 05/05/23 Ngày đăng: 08/05/23

Các tác giả

1. Vũ Huy Lượng , Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên
2. Nguyễn Thị Mai Phương, Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên
3. Phạm Văn Ngọc, Trường Đại học Công nghệ Thông tin và Truyền thông - ĐH Thái Nguyên
4. Nguyễn Văn Sinh, Bệnh viện đa khoa tỉnh Thái Bình
5. Trần Văn Cảnh, Bệnh viện mắt Thái Bình

Tóm tắt

Ảnh hưởng của kích thước ảnh võng mạc đầu vào, quá trình gán nhãn bệnh, số lượng nhãn bệnh, dấu hiệu nhận biết bệnh trên ảnh võng mạc mắt trái và mắt phải tới độ chính xác của việc chẩn đoán các bệnh về mắt được nghiên cứu và đánh giá trên mô hình học sâu ResNet với 101 lớp nơ-ron ẩn, 2048 kênh. Bảy bộ dữ liệu từ Set-1 đến Set-7 được tạo ra từ bộ dữ liệu gốc gồm 5000 ảnh chụp đáy mắt với cách gán nhãn và tiền xử lý ảnh đầu vào khác nhau. Kết quả cho thấy rằng, ảnh đầu vào càng lớn thì cho kết quả càng chính xác và các dấu hiệu nhận diện các bệnh mắt ở hai bên mắt là như nhau, hay nói cách khác có thể dùng bộ dữ liệu huấn luyện của mắt trái để phân loại bệnh ở mắt phải. Kết quả cũng cho thấy rằng, bộ dữ liệu có độ cân bằng nhất (Set-6) với 12 loại nhãn cho kết quả phân loại chính xác nhất là 98,08%.

Từ khóa

Trí tuệ nhân tạo; Mạng nơ-ron tích chập; Học máy; Học sâu; Ảnh võng mạc

Toàn văn:

PDF

Tài liệu tham khảo

[1] R. Sarki, K. Ahmed, H. Wang, and Y. Zhang, "Automated detection of mild and multi-class diabetic eye diseases using deep learning," Health Information Science and Systems, vol. 8, no. 1, pp. 1-9, 2020, doi: 10.1007/s13755-020-00125-5.

[2] C. Mai, "Together to solve the shortage of medical personnel," (in Vietnamese), Oct. 2022. [Online]. Available: https://dangcongsan.vn/giao-duc/chung-tay-giai-quyet-tinh-trang-thieu-hut-nhan-su-nganh-y-te-621422.html. [Accessed April 15, 2023].

[3] M. P. Gupta, A. A. Herzlich, T. Sauer, and C. C. Chan, "Retinal Anatomy and Pathology," Developments in Ophthalmology, vol. 55, pp. 7-17, 2016, doi: 10.1159/000431128.

[4] O. Bernabé, E. Acevedo, A. Acevedo, R. Carreño, and S. Gómez, “Classification of Eye Diseases in Fundus Images,” in IEEE Access, vol. 9, pp. 101267-101276, 2021, doi: 10.1109/ACCESS. 2021.3094649.

[5] M. Smaida and S. Yaroshchak, “Bagging of Convolutional Neural Networks for Diagnostic of Eye Diseases,” in International Conference on Computational Linguistics and Intelligent Systems, vol. 2604, pp. 715–729, 2020.

[6] K. Prasad, P. S. Sajith, M. Neema, L. Madhu, and P. N. Priya, “Multiple eye disease detection using deep neural network,” in TENCON 2019 - 2019 IEEE Region 10 Conference (TENCON), 2019, pp. 2148–2153.

[7] M. Londhe, “Classification of eye diseases using hybrid CNN-RNN models,” MSc Research Project, Data Analytics, School of Computing - National College of Ireland, 2021.

[8] C. Li, J. Ye, J. He, S. Wang, Y. Qiao, and L. Gu, “Dense correlation network for automated multi-label ocular disease detection with paired colour fundus photographs,” in 2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI), 2020, pp. 1–4.

[9] T.-Y. Su, Z.-Y. Liu, and D.-Y. Chen, “Tear film break-up time measurement using deep convolutional neural networks for screening dry eye disease,” IEEE Sensors Journal, vol. 18, no. 16, pp. 6857–6862, 2018.

[10] A. H. Vyas, M. A. Mehta, K. Kotecha, S. Pandya, M. Alazab, and T. R. Gadekallu, “Tear film breakup time-based dry eye disease detection using convolutional neural network,” Neural Computing and Applications, 2022, doi: https://doi.org/10.1007/s00521-022-07652-0.

[11] M. Berrimi and A. Moussaoui, “Deep learning for identifying and classifying retinal diseases,” in 2020 2nd International Conference on Computer and Information Sciences (ICCIS), 2020, pp. 1–6.

[12] R. Bhadra and S. Kar, “Retinal disease classification from optical coherence tomographical scans using multilayered convolution neural network,” in 2020 IEEE Applied Signal Processing Conference (ASPCON), 2020, pp. 212–216.

[13] S. Karthikeyan, P. K. Sanjay, R. J. Madhusudan, S. K. Sundaramoorthy, P. K. K Namboori, “Detection of multi-class retinal diseases using artificial intelligence: An expeditious learning using deep CNN with minimal data,” Biomed Pharmacol J., vol. 12 no. 3, pp.1577–1586, 2019.

[14] R. Yasashvini, M. S. R. Vergin, R. Panjanathan, G. Jasmine, and L. Anbarasi, “Diabetic retinopathy classification using CNN and hybrid deep convolutional neural networks,” Symmetry, vol. 14, 2022, Art. no. 1932.

[15] J. He, C. Li, J. Ye, Y. Qiao, and L. Gu, “Multi-label ocular disease classification with a dense correlation deep neural network,” Biomedical Signal Processing and Control, vol. 63, 2021, Art. no. 102167.

[16] K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proceedings of the IEEE Conference on computer vision and pattern recognition, 2016, pp. 770–778.

[17] A. A. Ardakani, A. R. Kanafi, U. R. Acharya, N. Khadem, and A. Mohammadi, “Application of deep learning technique to manage COVID-19 in routine clinical practice using CT images: Results of 10 convolutional neural networks,” Computers in Biology and Medicine, vol. 121, 2020, Art. no. 103795.

DOI: https://doi.org/10.34238/tnu-jst.7644

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ