Новая модель глубокого обучения помогает в автоматизированном скрининге глазных заболеваний

Новая модель глубокого обучения помогает в автоматизированном скрининге глазных заболеваний

Группа исследователей из Университета Тохоку представила модель глубокого обучения, которая может определять заболевания глаз на фотографии. Эта «легкая» модель может быть обучена на небольшом количестве изображений, даже с высокой степенью шума, и является ресурсоэффективной, что означает возможность ее использования на мобильных устройствах.

В условиях старения общества и нехватки медицинского персонала во многих странах самомониторинг на основе моделей глубокого обучения и телескрининг заболеваний становятся все более обыденными. Тем не менее, алгоритмы глубокого обучения, как правило, ориентированы на конкретные задачи и идентифицируют или обнаруживают общие объекты, такие как люди, животные или дорожные знаки.

Идентификация заболеваний, с другой стороны, требует точного измерения опухолей, объема тканей или других видов отклонений. Для этого необходимо, чтобы модель рассматривала отдельные изображения и отмечала границы в процессе, известном как сегментация. Но для точного прогнозирования требуется большая вычислительная мощность, что затрудняет их применение на мобильных устройствах.

«Когда речь идет о моделях глубокого обучения, всегда существует компромисс между точностью, скоростью и вычислительными ресурсами, — говорит Тору Накадзава, соавтор исследования и профессор кафедры офтальмологии Университета Тохоку. — Разработанная нами модель обладает лучшей точностью сегментации и повышенной воспроизводимостью обучения модели, даже при меньшем количестве параметров, что делает ее эффективной и более легкой по сравнению с другими коммерческими программами».

Разработанная облегченная модель точно и быстро обнаруживает аномалии изображений, связанные с заболеваниями глаз. Ожидается, что модель обеспечит точный анализ на мобильных устройствах/одноплатных компьютерах с низким ресурсом CPU-GPU.

«Наша модель также способна с высокой точностью обнаруживать/сегментировать диски зрительных нервов и кровоизлияния на фундус-изображениях», — добавил Накадзава.

Подробности были опубликованы в журнале Scientific Reports.

Источник: robogeek.ru