МАТЕМАТИЧЕСКИЕ МОДЕЛИ И ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ОПТИКО-ЭЛЕКТРОННОЙ ЭКСПЕРТНОЙ СИСТЕМЫ ДЛЯ ВЫЯВЛЕНИЯ ГЛАУКОМЫ

Abstract

При формировании экспертами эталонной выборки изображений глазного дна могут возникать противоречивые моменты ввиду неоднозначности изображений. Практика показала, что даже один эксперт в разное время (через неделю, месяц) может по-разному оценивать принадлежность одного и того же изображения к болезни глаукомы или нет. Естественно, что и у разных экспертов часто возникают разные мнения по поводу отнесения изображений глазного дна к глаукоме. Поэтому при формировании базы знаний экспертной системы необходимо предусмотреть процедуры оценки сходимости и воспроизводимости результатов создания эталонной выборки. В работе предлагается подход к автоматизированной диагностике глаукомы на основе оптическо-электронной экспертной системы, совмещающей методы обработки биомедицинских изображений и элементы нечеткой логики. Предложенная методика позволяет оперативно анализировать данные, получаемые при обследовании глазного дна, повышая точность выявления патологии и эффективность принятия клинических решений. В исследовании обосновываются ключевые математические модели и алгоритмы, описывается структура программно-аппаратного комплекса и приводятся результаты оценки точности методики на выборке пациентов. Показано, что использование нечетких правил классификации позволяет достичь точности более 97% при диагностике глаукомы различных стадий. В процессе автоматизации анализа изображений глазного дна сначала устраняют всевозможные искажающие факторы: от шумов и помех до неровностей освещения. Затем на этапе описания рассчитываются определенные характеристики объекта, на основании которых впоследствии происходит его отнесение к одной из категорий. Важнейшим этапом здесь является именно выделение и оценка признаков, так как качество конечного распознавания напрямую зависит от их правильного выбора и информативности. При этом на итоговый результат влияют две основные группы факторов: во-первых, свойства самого объекта (изображения глазного дна могут существенно отличаться друг от друга), а во-вторых, условия получения снимков (шумы сенсора, неоднородность освещения и прочие артефакты).

More by Kymbat Momynzhanova

• Detection of diabetic retinopathy based on machine learningPhotonics Applications in Astronomy, Communications, Industry, and High-Energy Physics Experiments · 2025
• HiFormer: a fast and accurate deep learning model for segmentation and detection of glaucomaThe Journal of Supercomputing · 2025 · Citations: 1
• ГИБРИДНЫЙ ПОДХОД ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ТОЧНОЙ КЛАССИФИКАЦИИ ЭКГ-СЕРДЦЕБИЕНИЙ С ИСПОЛЬЗОВАНИЕМ RESNET18 И BILSTMNEWS OF THE NATIONAL ACADEMY OF SCIENCES OF THE REPUBLIC OF KAZAKHSTAN · 2025
• Automation of Preprocessing and Annotation of Fundus Images Using CLAHE and YOLO for Optical Disc DetectionInternational Conference on Problems of Cybernetics and Informatics · 2025