Klassifizierung von Fundusbildern bei diabetischer Retinopathie und Lokalisierung von Läsionen mittels Deep Learning

Die diabetische Retinopathie (DR) ist eine Krankheit, die aus den Komplikationen des Diabetes resultiert und irreversible Schäden an den Blutgefäßen der Netzhaut verursacht. DR ist eine der Hauptursachen für Blindheit, wenn sie nicht frühzeitig erkannt wird. Die derzeit verfügbaren DR-Behandlungen sind darauf beschränkt, die Verschlechterung des Sehens zu stoppen oder zu verzögern, was die Bedeutung regelmäßiger Scans mit hocheffizienten computerbasierten Systemen zur frühzeitigen Diagnose hervorhebt. Die gegenwärtige Arbeit prästentiert vollständig automatisierte Diagnosesysteme, die manuelle Techniken übertreffen, um Fehldiagnosen zu vermeiden und Zeit, Aufwand und Kosten zu reduzieren. Das vorgeschlagene System klassifiziert DR-Bilder in fünf Stufen: kein DR, mild, moderat, schwer und proliferative DR, sowie die betroffenen Läsionen auf der Netzhautoberfläche zu lokalisieren. Das System umfasst zwei Modelle, die auf Deep Learning basieren. Das erste Modell (CNN512) verwendete das gesamte Bild als Eingabe für das CNN-Modell, um es in eine der fünf DR-Stufen zu klassifizieren. Es erreichte eine Genauigkeit von 88,6 % und 84,1 % bei den öffentlichen Datensätzen DDR und APTOS Kaggle 2019 im Vergleich zu den Ergebnissen des Standes der Technik. Gleichzeitig verwendete das zweite Modell ein angepasstes YOLOv3-Modell, um die DR-Läsionen zu erkennen und zu lokalisieren, und erreichte eine mAP von 0,216 in der Läsionslokalisierung im DDR-Datensatz, was die aktuellen Ergebnisse des Standes der Technik verbessert. Schließlich wurden beide vorgeschlagenen Strukturen, CNN512 und YOLOv3, kombiniert, um DR-Bilder zu klassifizieren und DR-Läsionen zu lokalisieren, wobei eine Genauigkeit von 89 % mit 89 % Sensitivität, 97,3 % Spezifität und das derzeitige Ergebnisse des Standes der Technik übersteigt.