Syväoppiminen glaukooman diagnostiikassa: konvoluutioneuroverkot OCT-kuvien analysoinnissa

Abstract

Tässä tutkielmassa tarkastellaan, miten konvoluutioneuroverkkomalleja voidaan hyödyntää OCT-kuvien analysointiin glaukooman diagnostiikassa. Kirjallisuuskatsauksen avulla selvitetään, millaisia tuloksia konvoluutioneuroverkkomalleilla on saavutettu. Tutkielmassa pohditaan tuloksiin vaikuttavia tekijöitä sekä mallien käyttöön liittyviä haasteita. Glaukooma vaurioittaa näköhermoa ja silmän verkkokalvon hermosäiekerrosta. Hoitamattomana sairaus johtaa merkittäviin hermovaurioihin, jotka voivat aiheuttaa näkökyvyn heikentymistä tai menetyksen. Varhaisella diagnoosilla hermovaurioita voidaan havaita ajoissa ja sairauden etenemistä hidastaa. Silmän OCT-kuvaus on tarkka noninvasiivinen menetelmä verkkokalvon hermosäiekerroksen ja näköhermon kuvantamiseen. OCT-kuvista glaukoomaa voidaan diagnosoida hermosäiekerroksen ja näköhermon muutosten perusteella. Konvoluutioneuroverkkomalleja on kehitetty ja koulutettu tunnistamaan näitä piirteitä OCT-kuvista. Konvoluutioneuroverkkomallien avulla OCT-kuvia voitaisiin luokitella automaattisesti terveisiin tai glaukoomaa sairastaviin. Syväoppimisen hyödyntäminen tehostaisi ja tarkentaisi diagnoosia.

Kirjallisuuskatsauksen perusteella voidaan todeta, että glaukooman diagnosointiin voidaan hyödyntää hienosäädettyjä konvoluutioneuroverkkomalleja sekä täysin uusia malleja. Kuvantunnistukseen kehitettyjä konvoluutioneuroverkkomalleja hienosäädetään ja uudelleenkoulutetaan tunnistamaan glaukooman piirteet OCT-kuvista. Uusien mallien arkkitehtuurit suunnitellaan alusta alkaen, ja ne koulutetaan kokonaan OCT-kuvilla. Hienosäädetyillä malleilla on saavutettu erittäin hyviä luokittelun tarkkuuksia. VGG16-malli saavutti parhaimmat tulokset, ja se soveltuu tulosten perusteella glaukooman diagnosointiin. Myös uudet konvoluutioneuroverkkomallit suoriutuivat luokittelusta hyvin, mutta niiden tuloksien välillä on suuria eroja. Glaukooman diagnostiikkaan vaaditaan hyviä tarkkuuksia, ja tuloksiin täytyy pystyä luottamaan. Luotettavuutta voidaan parantaa, ja konvoluutioneuroverkkomalleihin liittyviä haasteita ratkaista luokka-aktivaatiokarttoihin perustuvilla lämpökartoilla. Niiden avulla pystytään varmistumaan siitä, että malli tekee luokittelun oikeiden piirteiden perusteella. Konvoluutioneuroverkkomallien soveltamista glaukooman diagnostiikkaan tulee tutkia lisää, jotta ne voitaisiin saada osaksi OCT-kuvien analysointia kliinisissä ympäristöissä.