УДК 004.891
DOI: 10.36871/2618-­9976.2025.12.012

Авторы

Егор Николаевич Волков,
Младший научный сотрудник, Федеральный исследовательский центр «Информатика и управление» Российской академии наук, Москва, Россия

Аннотация

Целью работы является разработка формально описанного  и вычислительно  эффективного  метода  автоматического поиска ключевых анатомических зон глазного дна на цветных  фундус­снимках  на  основе  классических  алгоритмов  компьютерного  зрения.  Рассматриваются  задачи  локализации центра оптического диска и зоны фовеа, которые являются  базовыми  ориентирами  при  количественном  анализе  ретинальных  патологий,  включая  диабетическую  ретинопатию.  Предложен  метод,  опирающийся  на  морфологическую коррекцию освещенности, анализ хвостов гистограмм  цветовых каналов и интегральную геометрическую оценку связных компонент. Показано, что все этапы предложенных  алгоритмов имеют линейную асимптотику по числу пикселей изображения, а параметры выбираются из фиксированных  диапазонов  и  не  требуют  обучения  на  размеченных  данных.  Выполнено  аналитическое  сравнение  вычислительной  сложности  предложенного  метода  и  распространенных  аналогов,  основанных  на  морфологических  преобразованиях, анализе сосудистого русла и моделях глубокого  обучения.  Обсуждаются  достоинства  и  ограничения  подхода для использования в системах поддержки принятия клинических решений.

Ключевые слова

искусственный интеллект
компьютерное зрение
анализ изображений
глазное дно
оптический диск
фовеа
морфологические преобразования
гистограмма яркости
анатомические зоны
диабетическая ретинопатия

Список литературы

[1] Демидова Т. Ю., Кожевников А. А. Диабетическая ретинопатия: история, современные подходы к ведению, перспективы профилактики и лечения // Сахарный диабет. 2020. Т. 23. № 1. С. 95–105. DOI: 10.14341/DM10273.
[2] Министерство здравоохранения Российской Федерации, Ассоциация врачейофтальмологов, Российская ассоциация эндокринологов. Сахарный диабет: ретинопатия диабетическая, макулярный отек диабетический: клинические рекомендации. Москва, 2023.
[3] Abramoff M.D., Garvin M.K. and Sonka M. 2010. Retinal imaging and image analysis. IEEE Reviewsin Biomedical Engineering, vol. 3, pp. 169–208. DOI: 10.1109/RBME.2010.2084567.
[4] Hecht E. 2002. Optics. 4th ed. San Francisco: Addison­Wesley.
[5] Goodman J.W. 2005. Introduction to Fourier Optics. 3rd ed. Englewood, CO: Roberts Company.
[6] Gonzalez R.C. and Woods R.E. 2008. Digital Image Processing. 3rd ed. Upper Saddle River, NJ: Prentice Hall.
[7] Soille P. 2003. Morphological Image Analysis: Principles and Applications. 2nd ed. Berlin, Heidelberg: Springer.
[8] Pratt W.K. 2016. Digital Image Processing. 4th ed. Hoboken: John Wiley Sons.
[9] Biswas S.S. et al. 2022. Which Color Channel Is Better for Diagnosing Retinal Diseases Automatically in Color Fundus Photographs? Life, vol. 12, no. 7, p. 973. DOI: 10.3390/life12070973.
[10] Unno N. et al. 2023. Comparison of Multicolor Scanning Laser Imaging and Color Fundus Photography in Evaluating Vessel Whitening in BRVO. Ophthalmic Research, vol. 66, no. 1, pp. 413–420. DOI: 10.1159/000528251.
[11] Curcio C.A. et al. 1990. Human photoreceptor topography. Journal of Comparative Neurology, vol. 292, no. 4, pp. 497–523. DOI: 10.1002/cne.902920402.
[12] Jonas J.B. and Budde W.M. 1998. Optic disc–fovea distance, rim width, and optic disc shape. British Journal of Ophthalmology, vol. 82, no. 9, pp. 1029–1032. DOI: 10.1136/bjo.82.9.1029.
[13] Balaratnasingam C. et al. 2015. Visual acuity is correlated with the area of the foveal avascular zone in diabetic retinopathy. Investigative Ophthalmology & Visual Science, vol. 56, no. 9, pp. 5200–5206. DOI: 10.1167/iovs.15­16785.
[14] Pizer S.M. et al. 1987. Adaptive Histogram Equalization and Its Variations. Computer Vision, Graphics, and Image Processing, vol. 39, no. 3, pp. 355–368. DOI: 10.1016/S0734­189X(87)80186­X.
[15] Zuiderveld K. 1994. Contrast Limited Adaptive Histogram Equalization. In: Heckbert P.S. (ed.) Graphics Gems IV. Academic Press, pp. 474–485. DOI: 10.1016/B978­0­12­336156­1.50061­6.
[16] Tomasi C. and Manduchi R. 1998. Bilateral Filtering for Gray and Color Images. Proceedings of the 6th IEEE International Conference on Computer Vision, pp. 839–846. DOI: 10.1109/ICCV.1998.710815.
[17] Porwal P. et al. 2018. Indian Diabetic Retinopathy Image Dataset (IDRiD): A Database for Diabetic Retinopathy Screening Research. Data, vol. 3, no. 3, p. 25. DOI: 10.3390/data3030025.
[18] Zhou Y. et al. 2021. A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading, and Transferability. IEEE Transactions on Medical Imaging, vol. 40, no. 3, pp. 818–828. DOI: 10.1109/TMI.2020.3037771.
[19] Lepetit­Aimon G. et al. 2024. MAPLES­DR: MESSIDOR Anatomical and Pathological Labels for Explainable Screening of Diabetic Retinopathy. Scientific Data, vol. 11, p. 914. DOI: 10.1038/s41597­024­03739­6.
[20] Ronneberger O., Fischer P. and Brox T. 2015. U­Net: Convolutional Networks for Biomedical Image Segmentation. Lecture Notes in Computer Science (MICCAI), vol. 9351, pp. 234–241. DOI: 10.1007/978­3­319­24574­4_28.