Діагностика глаукоми за допомогою методів машинного навчання
DOI:
https://doi.org/10.30837/bi.2024.2(101).12Ключові слова:
ГЛАУКОМА, ДІАГНОЗ, МЕТОД НАЙБЛИЖЧИХ СУСІДІВ, НАЇВНИЙ БАЙЄС, ОСОБЛИВОСТІ, МАШИННЕ НАВЧАННЯ, МЕТРИКИ ОЦІНЮВАННЯ, КЛАСИФІКАЦІЯ, ВИБІРКААнотація
Дослідження зосереджено на використанні алгоритмів машинного заробітку в діагностиці глаукоми. Мета полягає в тому, щоб проаналізувати та порівняти різні алгоритми машинного навчання шляхом побудови систем класифікації, які перевіряють глаукому на фотографіях ІКТ. Дослідження передбачає виділення ознак із фотографій, їх класифікацію за цими ознаками та оцінку ефективності методів. Такий підхід дає можливість зрозуміти створення автоматизованої системи діагностики глаукоми, що сприяє більш швидкому та безпечному процесу лікування
Посилання
Quigley HA, Broman AT. The number of people with glaucoma worldwide in 2010 and 2020. Br J Ophthalmol. 2006;90(3):262–267.- https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1856963/
Chai Y, Liu H, Xu J. Glaucoma diagnosis based on both hidden features and domain knowledge through deep learning models. Knowl Based Syst. 2018; 161:147–56. https://www.sciencedirect.com/science/article/abs/pii/S0950705118303940/
Lee EJ, Kim TW. Progressive Retinal Nerve Fiber Layer Atrophy Associated With Enlarging Peripapillary Pit. J Glaucoma. 2017 Feb;26(2): e79-e81. doi: 10.1097/IJG.0000000000000513. PMID: 27513906.
Septiarini A, Khairina DM, Kridalaksana AH, Hamdani H. Automatic Glaucoma Detection Method Applying a Statistical Approach to Fundus Images. Healthc Inform Res. 2018 Jan;24(1):53-60. doi: 10.4258/hir.2018.24.1.53. Epub 2018 Jan 31. PMID: 29503753; PMCID: PMC5820087.https://e-hir.org/journal/view.php?id=10.4258/hir.2018.24.1.53.
Rangayyan RM, Zhu X, Ayres FJ, Ells AL. Detection of the optic nerve head in fundus images of the retina with Gabor filters and phase portrait analysis. J Digit Imaging. 2010 Aug;23(4):438-53. doi: 10.1007/s10278-009-9261-1. Epub 2010 Jan 12. PMID: 20066466; PMCID: PMC3046656.
Y. Mrad, Y. Elloumi, M. Akil, M.H. Bedoui, A Fast and Accurate Method for Glaucoma Screening from Smartphone-Captured Fundus Images, IRBM, Volume 43, Issue 4, 2022, Pages 279-289, ISSN 1959-0318, https://doi.org/10.1016/j.irbm.2021.06.004./
Yuki Hagiwara, Joel En Wei Koh, Jen Hong Tan, Sulatha V. Bhandary, Augustinus Laude, Edward J. Ciaccio, Louis Tong, U. Rajendra Acharya, Computer-aided diagnosis of glaucoma
using fundus images: A review, Computer Methods and Programs in Biomedicine, Volume 165, 2018, Pages 1-12, ISSN 0169-2607, https://doi.org/10.1016/j.cmpb.2018.07.012/
Okfalisa, I. Gazalba, Mustakim, and N. G. I. Reza, "Comparative analysis of k-nearest neighbor and modified k-nearest neighbor algorithm for data classification," 2017 2nd International conferences on Information Technology, Information Systems and Electrical Engineering (ICITISEE), 2017, pp. 294-298.
Ajitha S, Akkara JD, Judy MV. Identification of glaucoma from fundus images using deep learning techniques. Indian J Ophthalmol. 2021 Oct;69(10):2702-2709. doi: 10.4103/ijo.IJO_92_21. PMID: 34571619; PMCID: PMC8597466.https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8597466/
Automatic Diagnosis and Classification of Glaucoma Using Hybrid Features and k-Nearest Neighbor Kishore Balasubramanian1∗, N. P. Ananthamoorthy2, and K. Gayathridevi3 1EEE, Dr. Mahalingam College of Engineering and Technology, Pollachi 642002, India 2EEE, Hindusthan College of Engineering and Technology, Coimbatore 641032, India 3ECE, Dr. NGP Institute of Technology, Coimbatore 641048, India
Understanding and Visualization of Different Feature Extraction Processes in Glaucoma DetectionNanditha Krishna and K Nagamani 2022 J. Phys.: Conf. Ser. 2327 012023. https://iopscience.iop.org/article/10.1088/1742-6596/2327/1/012023/pdf/
Septiarini A, Hamdani, Khairina DM. The contour extraction of cup in fundus images for glaucoma detection. Int J Electr Comput Eng. 2016;6(6):2797–2804.
Khalid NE, Noor NM, Ariff N. Fuzzy c-means (FCM) for optic cup and disc segmentation with morphological operation. Procedia Comput Sci. 2014; 42:255–262. https://www.sciencedirect.com/science/article/pii/S1877050914014987/
Marin D, Gegundez-Arias ME, Suero A, Bravo JM. Obtaining optic disc center and pixel region by automatic thresholding methods on morphologically processed fundus images. Comput Methods Programs Biomed. 2015;118(2):173–185. https://www.sciencedirect.com/science/article/abs/pii/S016926071400371X/.
