Модели диагностики язвенного кератита у собак на основе сверточных нейронных сетей

Целью этого методического исследования была разработка сверточной нейронной сети (CNN) — современного метода распознавания изображений на основе глубокого обучения — для определения степени тяжести язв роговицы у собак. Для обучения модели использовали изображения, на которых степень тяжести язв роговицы (норма, поверхностная и глубокая язва) ранее была классифицирована ветеринарными офтальмологами при диагностической оценке фотографий роговицы пациентов, обследованных в учебной ветеринарной клинике Университета Конкук и трех специализированных ветеринарных офтальмологических клиниках Южной Кореи. Исходные изображения (36 изображений нормальной роговицы, 47 изображений с поверхностными язвами и 47 — с глубокими), отраженные по горизонтали (всего 520 изображений), повернутые (всего 520 изображений), а также одновременно отраженные и повернутые (всего 1040 изображений) размечали, использовали для обучения и оценивали с помощью моделей GoogLeNet, ResNet и VGGNet; для каждого изображения определяли степень тяжести язвы роговицы. Для этого применяли модели на основе TensorFlow — библиотеки программного обеспечения с открытым исходным кодом, разработанной компанией Google, — а размеченные изображения преобразовывали в формат TensorFlow record (TFRecord). Модели дообучали на основе сверточной нейронной сети, предварительно обученной на наборе данных ImageNet, после чего использовали для прогнозирования степени тяжести. Большинство моделей обеспечивали точность более 90% при классификации поверхностных и глубоких язв роговицы, а ResNet и VGGNet демонстрировали точность более 90% при классификации нормальной роговицы, поверхностных и глубоких язв. В исследовании предложен эффективный метод определения степени тяжести язв роговицы у собак с помощью сверточных нейронных сетей и показано, что в ветеринарной практике можно использовать несколько моделей классификации изображений.