Применение свёрточных нейронных сетей для анализа изображений глазного дна

Abstract

В настоящей работе предложена технология анализа изображений глазного дна, основанная на применении свёрточной нейронной сети (CNN). Подобрана архитектура CNN, обучение которое производилось на сбалансированной выборке, состоящей из 4 классов изображений: толстые, тонкие сосуды, здоровые участки и область экссудатов. Обучение проводилось на изображениях размерности 12×12, поскольку данная размерность является наиболее оптимальной, как было установлено в ходе экспериментальных исследований. Ошибка тестирования на выборках всех размерностей не превышала 4%. Была проведена сегментация изображения глазного дна с использованием CNN. Ошибка сегментации рассчитана на классе экссудатов, поскольку данный класс является ключевым при проведении операции лазерной коагуляции, и составила 5%. В ходе данной работы был выявлен наиболее информативный канал цветового пространства HSL, с использованием которого удалось уменьшить ошибку сегментации до 3%. The article proposes a technology for analyzing fundus images. The technology is based on the convolutional neural network (CNN). The CNN architecture was selected and trained on a sample consisting of 4 image classes: bold, thin vessels, healthy areas, and exudate area. The training was carried out on images of dimension 12 × 12, on which the best CNN test result was achieved, amounting to no more than 4%. The fundus image was segmented. The segmentation error was calculated on the class of exudates, since this class is the key when conducting laser coagulation and was 5%. In the course of this work, the most informative channel from the HSL color space was identified, using which it was possible to reduce the segmentation estimate to 3%.