Глазные заболевания широко изучаются в мире здравоохранения, поскольку от них страдают миллионы людей. Имея это в виду, мы решили создать в PerceptiLabs модель машинного обучения, которая применяет методы распознавания изображений на изображениях глазного дна для выявления возможных катаракт у пациентов. Использование подобной модели может помочь врачам, оптометристам и исследователям легче классифицировать и обнаруживать такие состояния.
Набор данных
Чтобы обучить нашу модель, мы взяли набор данных Распознавание глазных болезней на Kaggle, который включает изображения глазного дна, представляющие семь состояний, связанных с глазами, а также нормальные изображения (т. Е. Те, которые изображают не связанные с глазом условия).
Для нашего случая использования мы сузили набор данных до 293 изображений, представляющих нормальные изображения, и 293 изображений, представляющих катаракту. Каждое изображение представляет собой файл .jpg и предварительно обработано до размера 512x512 пикселей.
Мы создали файл .csv (dataset.csv) для сопоставления классификационных меток катаракты © и нормального (N) с соответствующими файлами изображений для использования при загрузке данных с помощью Мастера данных PerceptiLabs.
Ниже приведен частичный пример того, как выглядит файл .csv:
Сводка модели
Наша модель была построена всего из трех Компонентов:
Компонент 1: MobileNetV2, include_top = false, pretrained = imagenet
Компонент 2: Плотность, Активация = ReLU, Нейроны = 128
Компонент 3: Плотность, Активация = Softmax, Нейроны = 2
Обучение и результаты
При времени обучения чуть более 77 секунд, мы смогли достичь точности обучения 100% и точности проверки 97,44%. На следующем снимке экрана PerceptiLabs вы можете увидеть, как обучение и Точность проверки быстро выросла в течение первой эпохи, после чего оба оставались довольно стабильными:
Вертикальные приложения
Подобную модель можно использовать для скрининга различных состояний, обнаруживаемых с помощью изображений глазного дна, и для уведомления врачей о том, какие случаи могут потребовать более внимательного изучения.
Такой проект также может быть использован студентами-медиками или практикующими врачами, которые хотят создать медицинскую технологию нового поколения на основе машинного обучения. Сама модель также может быть использована в качестве основы для трансферного обучения для создания дополнительных моделей для обнаружения различных состояний с использованием изображений глазного дна или других типов медицинских сканирований / изображений.
Резюме
Этот вариант использования - простой пример того, как машинное обучение можно использовать для выявления заболеваний с помощью распознавания изображений. Если вы хотите построить подобную модель глубокого обучения, запустите PerceptiLabs и возьмите копию нашего предварительно обработанного набора данных с GitHub.