Актуальность. Определяется увеличением заболеваемости глаукомой во всем мире как одной из основных причин снижения зрения и поздней постановкой диагноза при имеющихся выраженных изменений со стороны органа зрения. Цель. Повысить эффективность диагностики глаукомы на основании оценки диска зрительного нерва и перипапиллярной сетчатки нейросетью и искусственным интеллектом. Материал и методы. Для обучения нейронной сети были выделены четыре диагноза: первый – «норма», второй – начальная глаукома, третий – развитая стадия глаукомы, четвертый – глаукома далеко зашедшей стадии. Классификация производилась на основе снимков глазного дна: область диска зрительного нерва и перипапиллярной сетчатки. В результате классификации входные данные разбивались на два класса «норма» и «глаукома». Для целей обучения и оценки качества обучения, множество данных было разбито на два подмножества: тренировочное и тестовое. В тренировочное подмножество были включены 8193 снимка с глаукомными изменениями диска зрительного нерва и «норма» (пациенты без глаукомы). Стадии заболевания были верифицированы согласно действующей классификации первичной открытоугольной глаукомы 3 (тремя) экспертами со стажем работы от 5 до 25 лет. В тестовое подмножество были включены 407 снимков, из них 199 – «норма», 208 – с начальной, развитой и далекозашедшей стадиями глаукомы. Для решения задачи классификации на «норма»/«глаукома» была выбрана архитектура нейронной сети, состоящая из пяти сверточных слоев. Результаты. Чувствительность тестирования дисков зрительных нервов с помощью нейронной сети составила 0,91, специфичность – 0,93. Анализ полученных результатов работы показал эффективность разработанной нейронной сети и ее преимущество перед имеющимися методами диагностики глаукомы. Выводы. Использование нейросетей и искусственного интеллекта является современным, эффективным и перспективным методом диагностики глаукомы.
Correction to: Extraction of Retinal Layers Through Convolution Neural Network (CNN) in an OCT Image for Glaucoma Diagnosis
