Convolutional Neural Network in Classifying Three Stages of Age-Related Macula Degeneration

Journal of University of Babylon for Pure and Applied Sciences

View Publication Info
 
 
Field Value
 
Title Convolutional Neural Network in Classifying Three Stages of Age-Related Macula Degeneration
 
Creator Hussein , Saja Mahdi
Al-Sultan , Ali Yakoob
Al-Saadi , Enas Hamood
 
Subject Age-related Macular Degeneration (AMD),
Automatic Detection
Retinal Images
Convolutional Neural Network
التنكس البقعي المرتبط بالعمر (AMD)
الكشف التلقائي
صور الشبكية
الشبكة العصبية التلافيفية
 
Description الضمور البقعي المرتبط بالعمر (AMD) هو اضطراب في العين قد يطمس الرؤية المركزية الواضحة التي تستخدمها لأشياء مثل القراءة والقيادة. وهو أحد الاضطرابات العديدة التي تؤثر على شبكية العين. تنطبق كلمة "متعلق بالعمر" على حقيقة أنها أكثر انتشارًا بين كبار السن. يشير مصطلح "البقعة الصفراء" إلى منطقة من عينك تسمى البقعة. يشير مصطلح "التنكس" إلى نوع إصابة العين التي تحدث. أحد الأمراض التي تصيب كبار السن هو الضمور البقعي المرتبط بالعمر (AMD). في AMD ، تنتج البقعة تراكمًا تدريجيًا من الرواسب الصفراء المسماة drusen. يسمح التشخيص باستخدام تصوير الأوعية بالفلورسين بتحديد وتحديد عمليات الأوعية الدموية غير الطبيعية. يستخدم معظم أطباء العيون الآن التصوير المقطعي البصري المتسق لتشخيص وتقييم المتابعة استجابة للعلاج بأفاستين أو لوسنتيس، والتي يتم حقنها في الجسم الزجاجي للعين على فترات مختلفة. وُجد أن الاكتشاف المبكر والرعاية، كما هو الحال في اضطرابات العين الأخرى، يقللان من خطر الإصابة بالعمى وفقدان البصر. توفر أجهزة فحص الشبكية الآلية وقت المرضى ومواردهم ورؤيتهم بدلاً من إجراءات التشخيص اليدوية. الغرض من هذه الدراسة هو اقتراح طريقة آلية باستخدام طريقة التعلم الآلي (CNN) لتحديد المرضى الذين يعانون من الضمور البقعي AMD باستخدام صور مجموعة بيانات ODIR. تم تطبيق شبكة عصبية تلافيفية (CNN) لاستخراج السمات العميقة من صور قاع العين الموجودة في مجموعة البيانات لتصنيف الصور إلى مراحل مختلفة من AMD مبكر، متوسط، متأخر)، بجانب الحالة الطبيعية للعين. تم استخدام مقاييس الخصوصية والحساسية والدقة ودرجة F والدقة لتقدير كفاءة التصنيف. وقد تم تحقيق أعلى دقة نحصل عليها هي الدقة: 97٪ ، الحساسية: 98.52٪ ، الخصوصية: 89.29٪ ، المنطقة الواقعة تحت المنحنى: 93.9
الاستنتاجات:
قدمت CNN هذه الدراسة لتشخيصات AMD والصور العادية في مجموعة بيانات ODIR

تم تدريب شبكة سي إن إن على مجموعة الصور هذه لتقليل التجهيز الزائد.

أعلى دقة نحصل عليها هي الدقة: 97٪ ، الحساسية: 98.52٪ ، الخصوصية: 89.29٪ ، المنطقة الواقعة تحت المنحنى: 93.9٪. تم الحصول عليها لمجموعة صور ODIR التي تم تدريب الشبكة عليها. منحنيات التعلم للتدريب على الدقة والاختبار عند تنفيذ الطريقة على صور.ODIR
Age-related macular degeneration (AMD) is an eye disorder that may blur the clear, central vision you use for things like reading and driving. It is one of several disorders that influence the retina. The word "age-related" applies to the reality that it is more prevalent among older persons. The term "macular" refers to a region of your eye named the macula. The term "degeneration" refers to the kind of eye injury that occurs. A disease that affects older people is age-related macular degeneration (AMD). In AMD, the macula produces a gradual accumulation of yellow deposits named drusen. Diagnosis with fluorescein angiography allows identifying and locating abnormal vascular processes. Most ophthalmologists now use consistent optical tomography to diagnose and evaluate follow-up in response to treatment with Avastin or Lucentis, which are injected into the eye's vitreous at different intervals. Early detection and care, as in other eye disorders, were found to reduce the risk of blindness and vision loss. Automated retinal examination devices save patients, time, resources, and vision as opposed to manual diagnosis procedures. The purpose of this study is to suggest an automated method using the Machine Learning (CNN) method to identify patients with macular degeneration AMD using images of the ODIR dataset. A convolutional neural network (CNN) was applied to extract the deep features from the fundus images present in the data set for the classification of the images to AMD different stages (Early, Intermediate, and Late), beside the Normal status of the eye. Specificity, Sensitivity, Accuracy, F-score, and Precision metrics were used to estimate classification efficiency the highest accuracy we will get is accuracy: 97%, sensitivity: 98.52%, specificity: 89.29%, area under the curve: 93.9%.
Conclusion:
CNN provided this study for AMD Diagnostics and Normal On images in the ODIR dataset

CNN Network was trained on this image set to minimize the overfitting.
The highest accuracy we will get is accuracy: 97%, sensitivity: 98.52%, specificity: 89.29%, area under the curve: 93.9% was obtained for the group of ODIR images on which the network was trained. Learning curves for accuracy training and test when the method was implemented on ODIR images.
 
Publisher University of Babylon
 
Date 2021-12-14
 
Type info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Peer-reviewed Article
 
Format application/pdf
 
Identifier https://journalofbabylon.com/index.php/JUBPAS/article/view/3883
 
Source مجلة جامعة بابل - للعلوم الصرفه والتطبيقية; Vol 29 No3 (2021); 64-79
JOURNAL OF UNIVERSITY OF BABYLON for Pure and Applied Sciences; Vol 29 No3 (2021); 64-79
2312-8135
1992-0652
 
Language eng
 
Relation https://journalofbabylon.com/index.php/JUBPAS/article/view/3883/2906
 
Rights https://www.journalofbabylon.com/index.php/JUBPAS/CopyrightandLicensing
 

Contact Us

The PKP Index is an initiative of the Public Knowledge Project.

For PKP Publishing Services please use the PKP|PS contact form.

For support with PKP software we encourage users to consult our wiki for documentation and search our support forums.

For any other correspondence feel free to contact us using the PKP contact form.

Find Us

Twitter

Copyright © 2015-2018 Simon Fraser University Library