Application of neural networks for improving the methods of assessment of corneal nerve fibers (preliminary report)

Avetisov S.E.; Surnina Z.V.; Georgiev S.

doi:https://doi.org/10.17116/oftalma2025141021117

Аветисов С.Э.

ФГБНУ «Научно-исследовательский институт глазных болезней имени М.М. Краснова»;
ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова» Минздрава России (Сеченовский Университет)

ORCID: 0000-0001-7115-4275

Сурнина З.В.

ФГБНУ «Научно-исследовательский институт глазных болезней имени М.М. Краснова»

ORCID: 0000-0001-5692-1800

Георгиев С.

ФГБНУ «Научно-исследовательский институт глазных болезней имени М.М. Краснова»;
ФГБОУ ВО «Тульский государственный университет»

ORCID: 0000-0002-5201-299X

Применение нейросетей в совершенствовании методов оценки состояния нервных волокон роговицы (предварительное сообщение)

Авторы:

Аветисов С.Э., Сурнина З.В., Георгиев С.

Подробнее об авторах

Журнал: Вестник офтальмологии. 2025;141(2): 117‑122

DOI: 10.17116/oftalma2025141021117

Прочитано: 523 раза

Связаться с автором

Оглавление

Как цитировать:

Аветисов С.Э., Сурнина З.В., Георгиев С. Применение нейросетей в совершенствовании методов оценки состояния нервных волокон роговицы (предварительное сообщение). Вестник офтальмологии. 2025;141(2):117‑122.
Avetisov SE, Surnina ZV, Georgiev S. Application of neural networks for improving the methods of assessment of corneal nerve fibers (preliminary report). Russian Annals of Ophthalmology. 2025;141(2):117‑122. (In Russ.)
https://doi.org/10.17116/oftalma2025141021117

Подписка 2026 Вестник офтальмологии (Russian Annals of Ophthalmology)

Использование инфографики авторами научных работ

Рекомендуем статьи по данной теме:

Функциональные результаты и состояние роговицы при кавитационных осложнениях фемто-ЛАЗИК. Вестник офтальмологии. 2024;(5):78-86

Основные направления исследования нервных волокон роговицы. Вестник офтальмологии. 2024;(6):118-124

Использование искусственного интеллекта в современной стоматологии в Российской Федерации. Стоматология. 2024;(5):42-45

Резюме / Abstract:

Обработка большого массива данных с помощью искусственного интеллекта — перспективное направление в диагностике и мониторинге заболеваний, основанное на модернизации алгоритмов исследования имеющихся технологий. Интерес к исследованию нервных волокон роговицы (НВР) продиктован не только необходимостью изучения патогенеза и течения ряда глазных заболеваний, но и возможностью использования тонких немиелинизированных нервных волокон роговицы в качестве биомаркеров системных полинейропатий.

ЦЕЛЬ ИССЛЕДОВАНИЯ

Оценка предварительных результатов применения алгоритма анализа конфокальных снимков НВР на основе нейронной сети.

МАТЕРИАЛ И МЕТОДЫ

Сравнительное исследование НВР было проведено в группе из 50 здоровых добровольцев (100 глаз) в возрасте от 25 до 55 лет без сопутствующих глазных и общих заболеваний. Для оценки состояния НВР выполняли конфокальную микроскопию в центральной зоне роговицы. Последующий анализ и распознавание НВР в сравнительном плане производили с помощью оригинального программного обеспечения (Liner calculate, Liner 1.2S) и на основе разработанного алгоритма нейронной сети.

РЕЗУЛЬТАТЫ

Рассмотрены следующие подходящие для работы с данными изображениями энкодеры: ResNet_50, VGG_16 и InceptionResNetV2. В результате анализа полученных данных предпочтение, как наиболее качественным, было отдано изображениям, полученным после обработки энкодором VGG_16 в режиме Imagenet. Выявлена сопоставимость основных количественных характеристик состояния НВР (длина и плотность основных стволов, количество макрофагов, коэффициенты анизотропии и симметричности направленности), определяемых с помощью оригинального программного обеспечения и на основе разработанного алгоритма нейронной сети.

ЗАКЛЮЧЕНИЕ

Полученные данные свидетельствуют о перспективности использования нейронной сети (в частности, семейства энкодеров VGG_16) для структурной оценки НВР. К основным преимуществам предлагаемого алгоритма следует отнести повышение качества интерпретации изображений и сокращение времени исследования.

Ключевые слова / Keywords:

нервы роговицы

конфокальная микроскопия роговицы

нейронные сети

Авторы / Authors:

Аветисов С.Э.

ORCID: 0000-0001-7115-4275

Сурнина З.В.

ФГБНУ «Научно-исследовательский институт глазных болезней имени М.М. Краснова»

ORCID: 0000-0001-5692-1800

Георгиев С.

ORCID: 0000-0002-5201-299X

Дата поступления:

15.07.2024

Дата принятия в печать:

12.08.2024

Закрыть метаданные

Литература / References:

Аветисов С.Э., Иллариошкин С.Н., Сурнина З.В., Георгиев С., Москаленко А.Н. Возможности нейровизуализационных маркеров в диагностике болезни Паркинсона. Якутский медицинский журнал. 2022;2(78):92-95. https://doi.org/0.25789/YMJ.2022.77.24
Ахмеджанова Л.Т., Захаров В.В., Дроздова Е.А., Джуккаева С.А., Исайкин А.И., Воскресенская О.Н., Сурнина З.В. Синдром Гийена–Барре, ассоциированный с SARS-CoV-2 (анализ клинических случаев). Медицинский алфавит. 2023;(2):22-28. https://doi.org/10.33667/2078-5631-2023-2-22-28
Аветисов С.Э., Сурнина З.В., Ахмеджанова Л.Т., Георгиев С. Первые результаты клинико-диагностического анализа постковидной периферической невропатии. Вестник офтальмологии. 2021;137(4):58-64. https://doi.org/10.17116/oftalma202113704158
Badian RA, Ekman L, Pripp AH, et al. Comparison of Novel Wide-Field In Vivo Corneal Confocal Microscopy With Skin Biopsy for Assessing Peripheral Neuropathy in Type 2 Diabetes. Diabetes. 2023;72(7):908-917. https://doi.org/10.2337/db22-0863
Hospedales T, Antoniou A, Micaelli P, Storkey A. Meta-Learning in Neural Networks: A Survey. IEEE Trans Pattern Anal Mach Intell. 2022;44(9): 5149-5169. https://doi.org/10.1109/TPAMI.2021.3079209
Wu LQ, Mou P, Chen ZY, et al. Altered Corneal Nerves in Chinese Thyroid-Associated Ophthalmopathy Patients Observed by In Vivo Confocal Microscopy. Med Sci Monit. 2019;25:1024-1031. Published 2019 Feb 6. https://doi.org/10.12659/MSM.912310
Stachs O, Guthoff RF, Aumann S. In Vivo Confocal Scanning Laser Microscopy. In: Bille JF, ed. High Resolution Imaging in Microscopy and Ophthalmology: New Frontiers in Biomedical Optics. Cham (CH): Springer; August 14, 2019. P. 263-284.
Xu F, Jiang L, He W, Huang G, Hong Y, Tang F, Lv J, Lin Y, Qin Y, Lan R, et al. The clinical value of explainable deep learning for diagnosing fungal keratitis using in vivo confocal microscopy images. Front Med. 2021;8:797616. https://doi.org/10.3389/fmed.2021.797616
Ghosh S, Chaki A, Santosh KC. Improved U-Net architecture with VGG-16 for brain tumor segmentation. Phys Eng Sci Med. 2021;44(3):703-712. https://doi.org/10.1007/s13246-021-01019-w
Lin CL, Wu KC. Development of revised ResNet-50 for diabetic retinopathy detection. BMC Bioinformatics. 2023;24(1):157. Published 2023 Apr 19. https://doi.org/10.1186/s12859-023-05293-1
Mondal MRH, Bharati S, Podder P. CO-IRv2: Optimized InceptionResNetV2 for COVID-19 detection from chest CT images. PLoS One. 2021;16(10):e0259179. https://doi.org/10.1371/journal.pone.0259179
Kyventidis N, Angelopoulos C. Intraoral radiograph anatomical region classification using neural networks. Int J Comput Assist Radiol Surg. 2021;16(3): 447-455. https://doi.org/10.1007/s11548-021-02321-4
Аветисов С.Э., Новиков И.А., Махотин С.С., Сурнина З.В. Вычисление коэффициентов анизотропии и симметричности направленности нервов роговицы на основе автоматизированного распознавания цифровых конфокальных изображений. Медицинская техника. 2015;3(291):23-25.
Аветисов С.Э., Сурнина З.В. Новиков И.А., Махотин С.С. Новые подходы к оценке состояния нервных волокон роговицы. Российский общенациональный офтальмологический форум. 2015;(2):761-765.