Архитектура многоветвевой сверточной нейронной сети для диагностики глаукомы на основе биомаркеров оптической когерентной томографии и симуляции синтетических изображений
https://doi.org/10.35596/1729-7648-2025-23-1-74-82
Аннотация
В статье представлена многоветвевая сверточная нейронная сеть, разработанная для диагностики глаукомы с использованием биомаркеров оптической когерентной томографии и симуляции синтетических изображений. Сеть включает шесть ветвей, каждая из которых нацелена на ключевые анатомические особенности. Обученная на синтетическом наборе данных, модель показала точность проверки 94,2 % и потери при обучении 0,162, демонстрируя эффективность в различении разных типов глаукомы. Результаты также подчеркивают потенциал модели для дальнейшего повышения точности, особенно в части уменьшения ошибок классификации между близкими состояниями.
Ключевые слова
диагностика глаукомы,
оптическая когерентная томография,
сверточная нейронная сеть,
биомаркеры оптической когерентной томографии,
генерация синтетических данных,
сегментация изображений,
глубокое обучение в офтальмологии
При поддержке: Выражаем искреннюю благодарность сотрудникам кафедры офтальмологии Института повышения квалификации и переподготовки кадров здравоохранения Белорусского государственного медицинского университета кандидату медицинских наук, доценту Оксане Николаевне Дудич и доктору медицинских наук, профессору Виктории Леонидовне Красильниковой за ценное обсуждение и конструктивные замечания, которые способствовали совершенствованию данной статьи.
Об авторах
Ф. В. Усенко
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Минск
А. М. Прудник
Белорусский государственный университет информатики и радиоэлектроники
Беларусь
Беларусь
Минск
Список литературы
1. World Health Organization (2024) ICD-11 for Mortality and Morbidity Statistics. https://icd.who.int/browse/2024-01/mms/en#499924848.
2. Weinreb R. N., Aung T., Medeiros F. A. (2016) The Pathophysiology and Treatment of Glaucoma: A Review. JAMA. DOI: 10.1001/jama.2016.4697.
3. Caprioli J., Coleman A. L. (2017) Intraocular Pressure Fluctuation: A Risk Factor for Visual Field Progression at Low Intraocular Pressures in the Advanced Glaucoma Intervention Study. Ophthalmology. DOI: 10.1016/j.ophtha.2008.10.013.
4. Chan K., Lee T. W., Sample P. A., Goldbaum M. H. (2019) AI and Glaucoma. Progress in Retinal and Eye Research. DOI: 10.1016/j.preteyeres.2018.07.004.
5. Medeiros F. A., Jammal A. A., Thompson A. C. (2018) From Data to Diagnosis: New Techniques for Machine Learning and Image Analysis. British Journal of Ophthalmology. DOI: 10.1136/bjophthalmol-2018-312068.
6. Leung C. K., Cheung C. Y.-L., Weinreb R. N., Qiu Q., Liu Shu, Li H., et al. (2012) Retinal Nerve Fiber Layer Imaging with Spectral-Domain Optical Coherence Tomography: A Variability and Diagnostic Performance Study. Ophthalmology. DOI: 10.1016/j.ophtha.2011.12.030.
7. Quigley H. A., McCormick T. A., Nicolela M. T., LeBlanc R. P. (2015) Optic Disc and Visual Field Changes in a Prospective Longitudinal Study of Patients with Glaucoma. Archives of Ophthalmology. DOI: 10.1001/archopht.1996.01100130104019.
8. Wollstein G., Schuman J. S., Price L. L., Aydin A., Stark P. C., Hertzmark E., et al. (2011) Optical Coherence Tomography Longitudinal Evaluation of Retinal Nerve Fiber Layer Thickness in Glaucoma. Archives of Ophthalmology. DOI: 10.1001/archophthalmol.2011.73.
9. Hood D. C., Raza A. S. (2011) Method for Comparing Visual Field Defects to Local RNFL and RGC Damage Seen on Frequency Domain OCT in Patients with Glaucoma. Biomed Opt. Express. 2 (5), 1097–1105. DOI: 10.1364/BOE.2.001097.
10. Killer H. E., Pircher A. (2018) Normal Tension Glaucoma: Review of Current Understanding And Mechanisms of the Pathogenesis. Eye. 32 (5), 924–930. DOI: 10.1038/s41433-018-0042-2.
11. Tan O., Chopra V., Lu A. T.-H., Schuman J. S., Ishikawa H., Wollstein G., et al. (2009) Detection of Macular Ganglion Cell Loss in Glaucoma by Fourier-Domain Optical Coherence Tomography. Ophthalmology. DOI: 10.1016/j.ophtha.2009.05.025.
12. Anderson D. R., Drance S. M., Schulzer M. (2001) Natural History of Normal-Tension Glaucoma. Ophthalmology. DOI: 10.1016/S0161-6420(00)00564-9.
13. Bussel I. I., Wollstein G., Schuman J. S. (2014) OCT for Glaucoma Diagnosis, Screening and Detection of Glaucoma Progression. British Journal of Ophthalmology. 98, ii15–ii19. DOI: 10.1136/bjophthalmol-2013-304326.
14. Hood D. C., Fortune B., Arthur S. N., Xing D., Salant J. A., Ritch R., et al. (2017) Blood Vessel Contributions to Retinal Nerve Fiber Layer Thickness Profiles Measured with Optical Coherence Tomography. Journal of Glaucoma. 17 (7), 519–528. DOI: 10.1097/IJG.0b013e3181629a02.
15. Jonas J. B., Aung T., Bourne R. R., Bron A. M., Ritch R., Panda-Jonas S. (2018) Glaucoma. Lancet. 391 (10108), 2183–2193. DOI: 10.1016/S0140-6736(17)31469-1.
16. Quigley H. A., Hohman R. M., Addicks E. M., Massof R. W., Green W. R. (2019) Morphologic Changes in the Lamina Cribrosa Correlated with Neural Loss in Open-Angle Glaucoma. American Journal of Ophthalmology. 95 (5), 673–691. DOI: 10.1016/0002-9394(83)90389-6.
17. Budenz D. L., Anderson D. R., Varma R., Schuman J., Cantor L., Savell J., et al. (2007) Determinants of Normal Retinal Nerve Fiber Layer Thickness Measured by Stratus OCT. Ophthalmology. 114 (6), 1046–1052. DOI: 10.1016/j.ophtha.2006.08.046.
18. Liu D., Li Z., Zhang X., Zhao L., Jia J., Sun F., et al. (2017) Assessment of Intracranial Pressure with Ultrasonographic Retrobulbar Optic Nerve Sheath Diameter Measurement. BMC Neurology. 17 (1). DOI: 10.1186/s12883-017-0964-5.
19. Drexler W., Fujimoto J. G. (2008) Optical Coherence Tomography: Technology and Applications. Springer.
20. Prudnik A., Usenko P. (2025) Synthetic OCT Glaucoma Dataset. Kaggle. https://doi.org/10.34740/KAGGLE/DS/6470196.
Рецензия
Для цитирования:
Усенко Ф.В., Прудник А.М. Архитектура многоветвевой сверточной нейронной сети для диагностики глаукомы на основе биомаркеров оптической когерентной томографии и симуляции синтетических изображений. Доклады БГУИР. 2025;23(1):74-82. https://doi.org/10.35596/1729-7648-2025-23-1-74-82
For citation:
Usenko P.V., Prudnik A.M. Multi-Branch Convolutional Neural Network Architecture for Glaucoma Diagnosis Using Optical Coherence Tomography Biomarkers and Synthetic Image Simulation. Doklady BGUIR. 2025;23(1):74-82. https://doi.org/10.35596/1729-7648-2025-23-1-74-82
Просмотров: 114
Послать статью по эл. почте 