Corneal neovascularization assesment using machine learning methods

Abstract

V našej práci sme sa pokúsili pomôcť oftalmológom s ich výskumom liečby - rohovkovej neovaskularizácie. Masívne zlepšenie hardvéru a algoritmov v strojovom učení otvárajú nové možnosti riešenia problémov v medicínskych snímkoch. Počas tejto práce sme vy- tvorili unikátny dataset a riešenie používajúce umelú inteligenciu, ktoré kvantifikuje toto ochorenie. Riešenie pozostáva z výpočtovej a užívateľskej časti. Výpočtová časť používa hlboké konvolučné neurónové siete s prispôsobenou U-Net architektúrou na detekciu a segmentáciu rohovkových ciev. Užívateľské rozhranie poskytuje nástroj pre oftalmológov na kvantifikáciu snímok pacientov. Experimentálne sme naše riešenie nasadili do nemoc- nice FNKV Praha na výskumné účely. 1

In our work, we tried to help ophthalmologists with their research on treating - corneal neovascularization. The massive improvement of hardware and algorithms in machine learning opens new ways to solve many medical imaging problems. During this work, we created a unique dataset and AI-powered solution which quantifies this disease. This solution consists of the computational and user interface part. The computational part uses the deep convolutional neural network with customized U-Net architecture to detect and segment corneal vessels. The user interface provides a toolkit for ophthalmologists to quantify patients' images. Experimentally, we deployed this solution to the hospital FNKV Prague for research purposes. 1