Методи глибинного навчання для класифікації офтальмологічних патологій на основі фундусних знімків ока

Abstract

Мета роботи: розробка та аналіз ефективної архітектури глибинного навчання для класифікації офтальмологічних патологій на основі фундусних знімків ока. Методи дослідження: програмний аналіз даних, трансферне навчання на базі ResNet50, модифікована функція втрат Focal Loss, методи інтерпретації Grad-CAM. Результати дослідження: Проведено аналіз та очищення набору даних ODIR-5K, на основі якого згенеровано новий валідований набір даних. Доведено, що застосування трансферного навчання та модифікованої функції втрат дозволило значно підвищити якість класифікації та навчити модель фокусуватися на клінічно релевантних анатомічних структурах. Отримані результати можуть бути використані як основа для створення допоміжних інструментів підтримки прийняття рішень (CAD) або систем попереднього скринінгу в офтальмології.

Purpose of the work: to develop and analyze an effective deep learning architecture for the classification of ophthalmological pathologies based on fundus eye images. Research methods: programmatic data analysis, transfer learning based on ResNet50, modified Focal Loss function, and Grad-CAM interpretation methods. Research results: An analysis and cleaning of the ODIR-5K dataset were performed, which resulted in the generation of a new validated dataset. It has been demonstrated that the use of transfer learning and a modified loss function significantly improved classification quality and enabled the model to focus on clinically relevant anatomical structures. The obtained results can be used as a basis for creating computer-aided diagnosis (CAD) systems or preliminary screening tools in ophthalmology.