Eine umfassende Überprüfung von Deep Learning-Strategien zur Diagnose von Netzhauterkrankungen anhand von Fundusbildern

In den letzten Jahren gab es ein beispielloses Wachstum in der Computer Vision und der Implementierung von Deep Learning aufgrund des exponentiellen Anstiegs der Recheninfrastruktur. Dies spiegelte sich auch in der Analyse von Netzhautbildern wider, und es wurden erfolgreiche Modelle der künstlichen Intelligenz für die Diagnose verschiedener Netzhauterkrankungen unter Verwendung einer Vielzahl visueller Marker, die aus Augenfundusbildern gewonnen wurden, entwickelt. Dieser Artikel präsentiert eine umfassende Studie über verschiedene in letzter Zeit verwendete Deep Learning-Strategien zur Diagnose von fünf wichtigen Augenerkrankungen, d.h. diabetische Retinopathie, Glaukom, altersbedingte Makuladegeneration, Katarakt und Retinopathie der Frühgeborenen. Dieser Artikel ist entsprechend dem Prozessablauf der Implementierung von Deep Learning organisiert, in dem zunächst die häufig verwendeten Datensätze, Bewertungsmetriken, Techniken zur Bildvorverarbeitung und die Backbone-Modelle des Deep Learning dargestellt werden, gefolgt von einer umfassenden Überprüfung der verschiedenen Strategien für jede der fünf genannten Netzhauterkrankungen. Schließlich fasst dieser Artikel acht wichtige Forschungsrichtungen im Bereich der Diagnose von Netzhauterkrankungen zusammen und umreißt die wesentlichen Herausforderungen und zukünftigen Möglichkeiten für die gegenwärtige Forschungsgemeinschaft.