NAPOMENA: Postoji mogućnost da će projekat biti spojen sa SIAPom. Ovaj projekat na tom predmetu još nije odobren, jer mi je predhodni projekat odbijen nakon prve kontrolne tačke zbog odustanka kolege iz tima, te mi je predložen novi koji treba da se odobri do kraja naredne nedelje. U slučaju da projekat i na tom predmetu bude prihvaćen, obavestiću Vas.
Klasifikacija patoloških stanja retine primenom konvolucionih neuronskih mreža na OCT snimcima
Teodora Todorović E9 2/2025
-
Cilj projekta I motivacija
Standardna klinička analiza OCT snimaka retine je vremenski zahtevna, podložna ljudskoj grešci i zavisna od dostupnosti eksperata te je cilj ovog rada napraviti model za automatsku klasifikaciju patoloških stanja retine primenom konvolucionih neurnoskih mreža.
Ovaj model bi trebalo da pruži visoku preciznost u identifikaciji patoloških stanja retine I pouzdanu podršku kliničarima u postavljanju brže i tačnije dijagnoze.
-
Skup podataka
U projektu če biti koriščen skup podataka za klasifikaciju OCT snimaka, koji je objavljen uz rad "Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning" (Kermany et al., 2018). Skup je dostupan ya preuzimanje na Kaggle platformi na sledećem linku: OCT Retina Dataset.
Skup se sastoji od 84,495 JPEG slika optičke koherentne tomografije (OCT) retine, gde svaki piksel predstavlja intenzitet refleksije tkiva u različitim dubinama.
Skup podataka je strukturisan u četiri klase:
1. NORMAL: Zdrava retina bez patoloških promena.
2. CNV(Choroidal Neovascularization):Horoidalna neovaskularizacija.
3. DME (Diabetic Macular Edema): Dijabetički makularni edem.
4. DRUSEN: Prisustvo naslaga ispod retine.
Podaci su podeljeni u tri foldera: train, val i test. Raspodela klasa nije uniformna, klasa CNV sadrži najveći broj uzoraka, dok je klasa NORMAL najreprezentativnija za poređenje sa patologijama. U fazi pripreme podataka biće primenjene tehnike balansiranja kako bih se sprečila pristrasnost modela ka dominantnoj klasi.
-
Metodologija
Za rešavajne ovog problema biće primenjen pristup baziran na konvolucionim neuronskim mrežama (CNN).
Pre unosa u model slike će biti skalirsne na uniformnu rezoluciju i biće izvršena normalizacija intenziteta piksela. Kako bi se poboljšala generalizacija modela i sprečio overfitting, biće korišćene tehnike Data Augmentation-a, kao što su rotacija, horizontalno preslikavanje i promene osvetljenja.
Planirana je primena Transfer Learning-a. Biće koriščena pre-trenirana VGG19 mreža (težine trenirane na ImageNet skupu podataka). Biće zadržani osnovni konvolucioni slojevi za ekstrakciju karakteristika, dok će finalni, fully connected slojevi biti zamenjeni arhitekturom prilagođenom za klasifikaciju u 4 klase.
Kao optimizator biće korišćen Adam a za loss funkciju Categorical Cross-Entropy, pošto je klasifikacija u više kategorija
4.Evaluacija
Originalni skup podataka podeljen je na tri direktorijuma (train, val, test), trening skup će se koristiti za treniranje modela i ažuriranje težina. validacioni skup za optimizaciju hiperparametara i praćenje overfitting-a tokom procesa učenja, dok će se test skup koristiti nakon završetka obuke za konačnu procenu performansi modela na neviđenim podacima.
Performanse če semeriti sledećim merama evaluacije:
Matrica konfuzije: Za vizuelizaciju gde model najčešće greši.
Precision, Recall i F1-Score: Za svaku od četiri klase pojedinačno, što će dati uvid u to koliko je model pouzdan u detekciji klasa.
ROC kriva i AUC vrednost: Za procenu sposobnosti diskriminacije modela između klasa.
NAPOMENA: Postoji mogućnost da će projekat biti spojen sa SIAPom. Ovaj projekat na tom predmetu još nije odobren, jer mi je predhodni projekat odbijen nakon prve kontrolne tačke zbog odustanka kolege iz tima, te mi je predložen novi koji treba da se odobri do kraja naredne nedelje. U slučaju da projekat i na tom predmetu bude prihvaćen, obavestiću Vas.
Klasifikacija patoloških stanja retine primenom konvolucionih neuronskih mreža na OCT snimcima
Teodora Todorović E9 2/2025
Cilj projekta I motivacija
Standardna klinička analiza OCT snimaka retine je vremenski zahtevna, podložna ljudskoj grešci i zavisna od dostupnosti eksperata te je cilj ovog rada napraviti model za automatsku klasifikaciju patoloških stanja retine primenom konvolucionih neurnoskih mreža.
Ovaj model bi trebalo da pruži visoku preciznost u identifikaciji patoloških stanja retine I pouzdanu podršku kliničarima u postavljanju brže i tačnije dijagnoze.
Skup podataka
U projektu če biti koriščen skup podataka za klasifikaciju OCT snimaka, koji je objavljen uz rad "Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning" (Kermany et al., 2018). Skup je dostupan ya preuzimanje na Kaggle platformi na sledećem linku: OCT Retina Dataset.
Skup se sastoji od 84,495 JPEG slika optičke koherentne tomografije (OCT) retine, gde svaki piksel predstavlja intenzitet refleksije tkiva u različitim dubinama.
Skup podataka je strukturisan u četiri klase:
1. NORMAL: Zdrava retina bez patoloških promena.
2. CNV(Choroidal Neovascularization):Horoidalna neovaskularizacija.
3. DME (Diabetic Macular Edema): Dijabetički makularni edem.
4. DRUSEN: Prisustvo naslaga ispod retine.
Podaci su podeljeni u tri foldera: train, val i test. Raspodela klasa nije uniformna, klasa CNV sadrži najveći broj uzoraka, dok je klasa NORMAL najreprezentativnija za poređenje sa patologijama. U fazi pripreme podataka biće primenjene tehnike balansiranja kako bih se sprečila pristrasnost modela ka dominantnoj klasi.
Metodologija
Za rešavajne ovog problema biće primenjen pristup baziran na konvolucionim neuronskim mrežama (CNN).
Pre unosa u model slike će biti skalirsne na uniformnu rezoluciju i biće izvršena normalizacija intenziteta piksela. Kako bi se poboljšala generalizacija modela i sprečio overfitting, biće korišćene tehnike Data Augmentation-a, kao što su rotacija, horizontalno preslikavanje i promene osvetljenja.
Planirana je primena Transfer Learning-a. Biće koriščena pre-trenirana VGG19 mreža (težine trenirane na ImageNet skupu podataka). Biće zadržani osnovni konvolucioni slojevi za ekstrakciju karakteristika, dok će finalni, fully connected slojevi biti zamenjeni arhitekturom prilagođenom za klasifikaciju u 4 klase.
Kao optimizator biće korišćen Adam a za loss funkciju Categorical Cross-Entropy, pošto je klasifikacija u više kategorija
4.Evaluacija
Originalni skup podataka podeljen je na tri direktorijuma (train, val, test), trening skup će se koristiti za treniranje modela i ažuriranje težina. validacioni skup za optimizaciju hiperparametara i praćenje overfitting-a tokom procesa učenja, dok će se test skup koristiti nakon završetka obuke za konačnu procenu performansi modela na neviđenim podacima.
Performanse če semeriti sledećim merama evaluacije:
Matrica konfuzije: Za vizuelizaciju gde model najčešće greši.
Precision, Recall i F1-Score: Za svaku od četiri klase pojedinačno, što će dati uvid u to koliko je model pouzdan u detekciji klasa.
ROC kriva i AUC vrednost: Za procenu sposobnosti diskriminacije modela između klasa.