Abstrakt
Úvod. V článku uvádzame stručný prehľad použitia hĺbkového strojového učenia na podporu diagnostiky na základe obrazových dát v oftalmológii. Cieľom je opísa existujúce riešenia a oboznámi s nimi slovenských oftalmológov.
Materiál a metódy. Rozdeľujeme analyzované práce podľa spôsobu, akým hĺbková neurónová sie analyzuje vstupný obraz, zameriavame sa na vstupné zdroje obrazov a očné ochorenia, ktoré siete analyzujú. Na klasifikáciu a rozpoznávanie jednotlivých oných ochorení používali autori obrazy nasnímané rôznymi zariadeniami, najastejšie používané boli obrazy z funduskamery.
Výsledky. Najprebádanejšie oblasti očného pozadia hĺbkovými sieami sú terč zrakového nervu a retinálne cievy, najčastejšie skúmaným ochorením je diabetická retinopatia. Najnovšie budí záujem v tejto oblasti segmentácia OCT obrazu a skríning očných ochorení pomocou mobilného telefónu.
Závery. Autori odporúčajú využitie hĺbkových neurónových sietí v oftalmológii v rámci slovenského zdravotníctva (tab. 1, obr. 4, lit. 68). Text v PDF www.lekarskyobzor.sk.
KĽÚČOVÉ SLOVÁ: oftalmológia, strojové učenie, hĺbkové siete, neurónové siete, obrazové dáta.
Lek Obz 2022, 71 (12): 550 – 556
Veronika KURILOVÁ 1,2, Petr KOLÁŘ 2,3, Jarmila PAVLOVIČOVÁ 1, Miloš ORAVEC 1, Nora MAJTÁNOVÁ 2,3
1 Fakulta elektrotechniky a informatiky, Slovenská technická univerzita, Bratislava, dekan prof. dr. Ing. M. Oravec
2 Očná klinika SZU a UN, Bratislava, prednosta prof. MUDr. P. Kolář, PhD.
3 Slovenská zdravotnícka univerzita, Bratislava, rektor Dr.h.c. prof. MUDr. P. Šimko, CSc.
Citácia
KURILOVÁ V., KOLÁŘ P., PAVLOVIČOVÁ J. a kol.: Spracovanie digitálnych obrazových dát metódami hbkového strojového uenia v oftalmológii. Lek Obz 2022, 71 (12): 550 – 556
Review of deep learning applications to digital image data in ophthalmology
Abstract
Objective. We provide a brief summary of deep learning applications used to support diagnostics based on image data in ophthalmology.
Material and methods. The goal is to describe existing solutions and get Slovak ophthalmologists familiar with them. We divide the analyzed works according to the way in which the deep neural network analyzes the input image; we focus on the input image sources and the analyzed eye diseases. For the classification and recognition of individual ophthalmic diseases, the authors used images taken with different devices, the most used were images from a funduscamera.
Results. The most researched areas of fundus are optic disc and retinal blood vessels, the most researched ocular disease is diabetic retinopathy. Recently, the segmentation of the OCT image and screening of ocular diseases using smartphone are awakening the interest in this area.
Conclusion. At the end of this review article, we are discussing the application of deep learning neural networks in ophthalmology in Slovak healthcare (Tab. 1, Fig. 4, Ref. 68). Text in PDF www.lekarskyobzor.sk.
KEY WORDS: ophthalmology, machine learning, deep learning, neural networks, image data.
Lek Obz 2022, 71 (12): 550-556
Veronika KURILOVÁ 1,2, Petr KOLÁŘ 2,3, Jarmila PAVLOVIČOVÁ 1, Miloš ORAVEC 1, Nora MAJTÁNOVÁ 2,3
1 Fakulta elektrotechniky a informatiky, Slovenská technická univerzita, Bratislava, dekan prof. dr. Ing. M. Oravec
2 Očná klinika SZU a UN, Bratislava, prednosta prof. MUDr. P. Kolář, PhD.
3 Slovenská zdravotnícka univerzita, Bratislava, rektor Dr.h.c. prof. MUDr. P. Šimko, CSc.
CITE
KURILOVÁ V., KOLÁŘ P., PAVLOVIČOVÁ J. et al.: Review of deep learning applications to digital image data in ophthalmology. Lek Obz 2022, 71 (12): 550-556
