Detekce diabetické retinopatie pomocí neuronových sítí

Abstract

Diabetická retinopatie je závažné onemocnění oka, které způsobuje slepotu a zasahuje většinu populace diabetiků. Navenek se projevuje většinou až v pokročilých stádiích, kdy už je oko nevratně poškozeno. Prevencí jsou pravidelné kontroly, které jsou však náročné na čas. Proto se v posledních letech začaly objevovat systémy pro automatickou detekci diabetické retinopatie ze snímků sítnice. Nejlepších výsledků dosáhly metody používající konvoluční neuronové sítě. Tato bakalářská práce prozkoumává metody pro detekci diabetické retinopatie za použití konvolučních neuronových sítí. Nejprve je představeno základní řešení. To je poté vylepšeno za pomoci nejmodernějších architektur a metod; za pomoci využití korelací z obou očí jednoho pacienta; za pomoci využití neoznačených dat; za pomoci dodatečného vstupu ve formě osegmentovaných masek cévního systému a za pomoci souboru více sítí. Autor zjistil, že nejlepších výsledků při využití jednoho modelu je dosaženo za použití dodatečného vstupu ve formě osegmentovaných masek a neoznačených dat. Přesnost detekce je dále možné zlepšit využitím mělké neuronové sítě, která spojuje predikce z více modelů. Navržené řešení dosahuje v soutěži Diabetic Retinopathy Challenge 2015 skóre QWK 0.851, což je srovnatelné s výsledky popisovanými v literatuře.

Diabetic retinopathy is a severe eye disease that causes blindness and affects most of the diabetic patients. The disease onsets without any symptoms and when the patient notices minor difficulties with vision, the retina can already be irreversibly disrupted. Prevention can be achieved by adopting regular eye checks, which are time expensive. Various methods for detection of diabetic retinopathy from fundus photographs have emerged, with the best results achieved by the convolutional neural networks. This bachelor's thesis tries to address the task of diabetic retinopathy detection using multiple approaches. A solution for a single image classification is developed and then improved by several methods: by using state of the art architectures and methods, by blending the predictions from both eyes of a person, by using unlabeled data, by using additional input in form of vessel segmentation masks and by ensemble classification. The author discovered that the best results of single model can be achieved by using the additional input and training on unlabeled data. The best results of ensemble were obtained by using a shalow neural network architecture. The proposed ensemble solution achieved a QWK score of 0.851 in the Diabetic Retinopathy Detection Challenge 2015, which is comparable to the literature results.