JultikaUniversity of Oulu repository

Abstract

The fundus of the human eye can be affected by many vision-threatening diseases. Early detection of such diseases is crucial to prevent damage to eyesight. Fundus photography is considered one of the most important and least invasive methods for this purpose. However, detecting signs of the diseases in fundus photographs is a laborious and time consuming process, which motivates the development of machine learning based tools to assist medical professionals in the diagnostic process.

This thesis presents machine learning based methods for fundus image analysis proposed in literature with a focus on the detection of signs related to diabetic retinopathy, which is one of the leading causes of preventable blindness in the world. In addition, a new method for fundus image analysis based on dimensionality reduction using unsupervised machine learning methods, autoencoder and the UMAP algorithm, is proposed.

The literature review presented in this thesis indicates that machine learning based methods for fundus image analysis can learn to discriminate between healthy and diseased cases with high accuracy, holding much potential for assisting healthcare professionals in a screening setting. The experiments conducted on the proposed framework indicate that a feature vector produced by a model based on unsupervised learning can retain relevant information for the task of fundus image analysis and can provide healthcare professionals with easily interpretable visualizations. However, the proposed approach was unable to benefit from training on relevant image data, which suggests that the framework requires further development to achieve a suitable solution to the problem based on unsupervised learning.

Silmänpohjakuvien analysointi dimension pudotuksella käyttäen ohjattua oppimista

Tiivistelmä

Ihmisen silmänpohjaan voivat vaikuttaa useat näköä uhkaavat sairaudet. Näiden sairauksien aikainen havaitseminen on tärkeää näön vahingoittumisen estämiseksi. Silmänpohjan valokuvausta pidetään yhtenä tärkeimmistä ja vähiten invasiivisista menetelmistä tähän tarkoitukseen. Tautien merkkien havaitseminen silmänpohjakuvista on kuitenkin työläs ja aikaa vievä prosessi, mikä motivoi koneoppimiseen perustuvien työkalujen kehittämistä terveydenhuollon ammattilaisten avuksi diagnosoinnissa.

Tässä tutkielmassa esitellään kirjallisuudessa esitettyjä koneoppimiseen perustuvia menetelmiä silmänpohjakuvien analysointiin keskittyen diabeettiseen retinopatiaan, joka on yksi suurimmista vältettävissä olevan sokeutumisen aiheuttajista maailmassa. Lisäksi esitetään uusi ohjaamattomaan oppimiseen perustuviin dimension vähentämismenetelmiin, autoenkooderiin ja UMAP-algoritmiin, perustuva silmänpohjakuvien analysointimenetelmä.

Tutkielmassa esitetty kirjallisuuskatsaus osoittaa, että koneoppimiseen pohjautuvat menetelmät silmänpohjakuvien analysointiin voivat oppia erottamaan terveet ja sairaat tapaukset toisistaan korkealla tarkkuudella, minkä perusteella menetelmillä on paljon potentiaalia olla avuksi terveydenhuollon ammattilaisille seulontaympäristössä. Esitetyllä lähestymistavalla suoritetut kokeet osoittavat, että ohjaamattomaan oppimiseen perustuvan mallin tuottama piirrevektori pystyy säilyttämään silmänpohjakuvan analysoinnin kannalta oleellista tietoa ja voi tarjota terveydenhuollon ammattilaisille helposti tulkittavia visualisointeja. Esitetty lähestymistapa ei kuitenkaan hyötynyt opetuksesta olennaisella kuvadatalla, minkä perusteella lähestymistapa vaatii kehitystä pidemmälle ongelmaan sopivan ohjaamattomaan oppimiseen perustuvan ratkaisun aikaansaamiseksi.