Методика диагностики глаукомы по снимкам глазного дна человека

Цель исследования ‒ разработка методики обнаружения глаукомы, которая основана на вычислении величины соотношения размеров оптической чашки и оптического диска и правиле четырех квадрантов. Их использование повышает точность обнаружения глаукомы на изображениях сетчатки глаза человека.

Методы. Предложена методика обнаружения глаукомы, которая использует отношение вертикального диаметра чашки к вертикальному диаметру диска и правило «четырех квадрантов» в качестве двух основных параметров для обнаружения глаукомы. Диск зрительного нерва (OД), глазная чашка (OЧ) сегментируются с использованием метода наращивания областей и метода водоразделов, а затем объединяются для получения окончательных результатов. Их объединение выполняется с помощью логической операции ИЛИ. Полученные изображения аппроксимируются с применением круговой аппроксимации, поскольку ее реализация проста за счет вычисления одного центра и радиуса. Для диагностики было решено применять два параметр ‒ соотношение чашки и диска (ОЧД) и правило четырех квадрантов. Их комбинированная оценка позволяет увеличить точность обнаружения глаукомы.

Результаты. Исследование предложенной методики было произведено на снимках сетчатки глаза, полученных из 4 баз данных: HRF, DIARETDB1, DRIONS-DB, Messidor. Исследование показало, что предложенная методика правильно определяет 75 изображений сетчатки как глаукомные из 84с общей чувствительностью 91,67%. Из 163 нормальных изображений 154 были правильно классифицированы как нормальные со специфичностью 94,47%.

Заключение. Предлагаемая методика проста и вычислительно эффективна. Она может быть использована в компьютерной диагностике глаукомы на ранних стадиях заболевания.

1. Abdel-Razik Youssif A., Ghalwash A., Abdel-Rahman Ghoneim A. Optic disc detection from normalized digital fundus images by means of a vessels’ direction matched filter // Medical Imaging. 2018. Vol. 27, N 1. Р. 11–18.

2. Evaluation of a system for automatic detection of diabetic retinopathy from color fundus photographs in a large population of patients with diabetes / M. D. Abrmoff, M. Niemeijer, M. S. A. Suttorp-Schulten, M. A. Viergever, S. R. Russell, B. V. Ginneken // Diabetes Care. 2008. Vol. 31, N 2. Р. 193–198.

3. Комкова С. В. Методика формирования вектора признаков по изображениям сетчатки глаза // Естественные и технические науки. 2021. № 4. С. 250−252.

4. Комкова С. В. Алгоритм идентификации экссудатов на изображениях сетчатки глаза человека // Вестник компьютерных и информационных технологий. 2022. Т. 19, № 1. C. 47–51. https://doi.org/10.14489/vkit.2022.01.

5. Glaucoma detection using retinal fundus images: A review / J. Cheng, J. Liu, Y. Xu, F. Yin, D. W. K. Wong // Computers in biology and medicine. 2019. N 109. P. 216‒229. https://doi.org/10.1016/j.compbiomed.2019.04.010.

6. Automated diagnosis of glaucoma using retinal fundus images / M. U. Akram, S. Khalid, S. A. Khan, S. M. Anwar // Computers in biology and medicine. 2020. N 124. P. 103949. https://doi.org/10.1016/j.compbiomed.2020.103949.

7. Glaucoma detection using deep learning and optic disc segmentation / Z. Li, Y. He, S. Keel, W. Meng, R. T. Chang, H. Huang, N. Wang // IEEE transactions on medical imaging. 2018. Vol. 37, N 9. https://doi.org/10.1109/TMI.2018.2829199.

8. Computer-aided diagnosis of glaucoma: A review / U. R. Acharya, E. Y. K. Ng, J. E. Eugene Koh, D. Wen Long Wong, C. Chee // Medical and Biological Engineering and Computing. 2020. Vol. 58, N 11. P. 2531‒2553. https://doi.org/10.1007/s11517-020-02176-x.

9. Detecting Structure and Progression of Glaucomatous Visual Field Defects Using Deep Learning. Glaucoma detection using machine learning techniques / R. Asaoka, H. Murata, A. Iwase, M. Araie // Journal of Clinical Medicine. 2019. Vol. 8, N 12. P. 2090. https://doi.org/10.3390/jcm8122090.

10. Identifying medical diagnoses and treatable diseases by image-based deep learning / D. S. Kermany, M. Goldbaum, W. Cai, C. C. S. Valentim, H. Liang, S. L. Baxter, J. Liu // Cell. 2018. Vol. 172, N 5. P. 1122‒1131. https://doi.org/10.1016/j.cell.2018.02.010.

11. Glaucoma detection using retinal images and deep learning: A review / H. Fu, J. Cheng, Y. Xu, F. Yin, D. W. K. Wong // Computer methods and programs in biomedicine. 2019. N 182. P. 105068. https://doi.org/10.1016/j.cmpb.2019.105068.

12. Diagnostic accuracy of a deep learning system in detecting glaucoma on photographs of the optic disc / V. T. J. Koh, Y. C. Tham, C. Y. Cheung, W. L. Wong, M. Baskaran, S. M. Saw, T. Y. Wong // Ophthalmology. 2019. Vol. 126, N 12. P. 1627‒1639. https://doi.org/10.1016/j.ophtha.2019.06.026.

13. Glaucoma detection using retinal images: A survey / Y. Xu, J. Cheng, J. Liu, F. Yin, D. W. K. Wong // Artificial intelligence in medicine. 2020. N 102. P. 101759. https://doi.org/10.1016/j.artmed.2019.101759.

14. Кишечник Е. С., Воронцова И. Г. Диагностические методы оценки состояния макулярного отдела сетчатки нижнего гормонального системного регулирования // Глаукома. 2013. Т. 1, № 2. С. 117‒119.

15. Клиническая офтальмология: национальное руководство / под ред. Е. Н. Иомдина. М.: ГЭОТАР-Медиа, 2016.

16. Мещеряков О. В. Методы пассифицированного оценивания сетчатого кровотока при глаукоме // Глаукома. 2015. Т. 2, № 1. С. 97‒106.

17. Сегментирование данных в задачах распознавания объектов / С. В. Дегтярев, Е. А. Криушин, Д. В. Никулин, Е. Н. Иванова // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. Т. 11, № 2. С. 76‒86.

18. Конаныхин А. Ю., Конаныхина Т. Н., Панищев В. С. Методы улучшения выделенной области изображения при быстродействующей обработке символьной информации // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. Т. 11, № 4. С. 106‒119. https://doi.org/10.21869/2223-1536-2021-11-4-106-119.

19. Алгоритм настройки нечеткого логического вывода в медицинских информационных системах, основанных на знаниях / М. С. Голосовский, А. Б. Юдин, В. Р. Медведев, С. Н. Васягин, Е. В. Евтушенко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. Т. 11, № 4. С. 196‒211. https://doi.org/10.21869/2223-1536-2021-11-4-196-211.

20. Комкова С. В. Методика обнаружения твердых экссудатов на изображениях глазного дна человека // Телекоммуникации. 2022. № 10. С. 24‒28.