2026: Сборник статей Международной конференции MMIT'26
794-801
2026-06-06
Открытый доступ

АЛГОРИТМЫ ВЫЯВЛЕНИЯ ЗАБОЛЕВАНИЙ ГЛАЗ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И МЕТОДОВ РАСЧЁТА ФРАКТАЛЬНОЙ РАЗМЕРНОСТИ

Иброхимова З.Э., Гайбуллаева М.Ш.
https://doi.org/10.61587/

Получена: 2026-05-27

Опубликована: 2026-06-06

PDF (узбекский (латиница))
Crossmark Crossmark

Аннотация

Быстрый рост распространённости диабетической ретинопатии, глаукомы и других сосудистых заболеваний сетчатки во всём мире требует разработки автоматизированных, масштабируемых и высокоточных систем раннего выявления. В данной работе представлен новый интегрированный алгоритм, объединяющий анализ изображений сетчатки на основе глубокого обучения с вычислением фрактальной размерности для повышения эффективности офтальмологической диагностики. Предлагаемая методология использует архитектуру кодировщик–декодировщик U-Net для точной сегментации кровеносных сосудов сетчатки, после чего применяется алгоритм box-counting для вычисления фрактальной размерности (D) сосудистой сети. Затем классификатор на основе сверточной нейронной сети EfficientNet-B4, обученный с применением принципов трансферного обучения, объединяет признаки, полученные на основе фрактального анализа, с глубокими визуальными признаками для классификации патологий сетчатки, включая диабетическую ретинопатию, глаукому и гипертоническую ретинопатию. Система была оценена на широко валидированных открытых наборах данных: EyePACS (n=88 702), Messidor-2, DRIVE, STARE, RIM-ONE v3 и HRF. Предложенный подход при выявлении диабетической ретинопатии достиг точности 94,6%, чувствительности 93,8%, специфичности 95,2%, F1-показателя 94,5% и AUC 0,968, превзойдя все одномодальные базовые модели. Научная новизна заключается в системной интеграции фрактальной геометрии как математически обоснованного и интерпретируемого биомаркера с классификацией на основе глубоких нейронных сетей, что одновременно повышает точность и клиническую объяснимость изменений морфологии сосудов.

Ключевые слова

Список литературы

  1. Gulshan V., Peng L., Coram M., et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402–2410.

  2. Ting D.S.W., Cheung C.Y.L., Lim G., et al. Development and validation of a deep learning system for diabetic retinopathy and related eye diseases using retinal images from multiethnic populations with diabetes. JAMA. 2017;318(22):2211–2223.

  3. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation. MICCAI 2015. Lecture Notes in Computer Science, vol 9351. Springer; 2015:234–241.

  4. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition. CVPR 2016:770–778.

  5. Abràmoff M.D., Lavin P.T., Birch M., Shah N., Folk J.C. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. npj Digital Medicine. 2018;1:39.

  6. Tan M., Le Q.V. EfficientNet: Rethinking model scaling for convolutional neural networks. ICML 2019:6105–6114.

  7. Cheung N., Donaghue K.C., Liew G., et al. Quantitative assessment of early diabetic retinopathy using fractal analysis. Diabetes Care. 2009;32(1):106–110.

  8. Mandelbrot B.B. The Fractal Geometry of Nature. W. H. Freeman and Company; 1982.

  9. Orlando J.I., Fu H., Breda J.B., et al. REFUGE challenge: A unified framework for evaluating automated methods for glaucoma assessment from fundus photographs. Medical Image Analysis. 2020;59:101570.

  10. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press; 2016.

  11. Masters B.R. Fractal analysis of the vascular tree in the human retina. Annual Review of Biomedical Engineering. 2004;6:427–452.

  12. Staal J., Abràmoff M.D., Niemeijer M., Viergever M.A., van Ginneken B. Ridge-based vessel segmentation in color images of the retina. IEEE Trans. Med. Imaging. 2004;23(4):501–509.

  13. Zhu C., Zou B., Zhao R., et al. Retinal vessel segmentation in fundus images: A comprehensive review of deep learning approaches. IEEE Access. 2021;9:113474–113498.

  14. Li T., Bo W., Hu C., et al. Applications of deep learning in fundus images: A review. Medical Image Analysis. 2021;69:101971.

  15. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. ICLR 2015.

  16. Chen X., Xu Y., Yan S., Wong D.W.K., Wong T.Y., Liu J. Automatic feature learning for glaucoma detection based on deep learning. MICCAI 2015;8:669–677.

  17. Jiang Y., Deng Z., Yang F., et al. Joint retinal vessel segmentation and optic disc detection with dual branch network. Knowledge-Based Systems. 2022;257:109810.

  18. Tham Y.C., Li X., Wong T.Y., Quigley H.A., Aung T., Cheng C.Y. Global prevalence of glaucoma and projections of glaucoma burden through 2040. Ophthalmology. 2014;121(11):2081–2090.

  19. Teo Z.L., Tham Y.C., Yu M., et al. Global prevalence of diabetic retinopathy and projection of burden through 2045. Ophthalmology. 2021;128(11):1580–1591.

  20. World Health Organization. World report on vision. WHO; 2019.

  21. Pizer S.M., Amburn E.P., Austin J.D., et al. Adaptive histogram equalization and its variations. Computer Vision, Graphics and Image Processing. 1987;39(3):355–368.

  22. Zhou Z., Siddiquee M.M.R., Tajbakhsh N., Liang J. UNet++: A nested U-Net architecture for medical image segmentation. Deep Learning in Medical Image Analysis. Springer; 2018:3–11.

  23. Lim G., Yanagihara R.T., Lee M.L., Goh J.H.L., Lee A.Y. Artificial intelligence solutions for retinal image analysis in ophthalmologic diseases. Current Ophthalmology Reports. 2020;8:68–82.

  24. Sarhan A., Hudson N., Peto T., et al. Retinal vessel tortuosity and its relation to hypertension: a review. Ophthalmic Epidemiology. 2023;30(1):1–12.

  25. Huang G., Liu Z., Van der Maaten L., Weinberger K.Q. Densely connected convolutional networks. CVPR 2017:4700–4708.

Об авторах

Иброхимова З.Э., Гайбуллаева М.Ш.
mshoyimovna@gmail.com
SamTUIT

Лицензия

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Как цитировать

АЛГОРИТМЫ ВЫЯВЛЕНИЯ ЗАБОЛЕВАНИЙ ГЛАЗ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И МЕТОДОВ РАСЧЁТА ФРАКТАЛЬНОЙ РАЗМЕРНОСТИ. (2026). MMIT Proceedings, 794-801. https://doi.org/10.61587/

Похожие статьи

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.