Screening af diabetisk retinopati

Mål

Projektet har til formål at udvikle et softwaresystem, der udnytter deep-learning af fully convolutional networks (FCN) for at udføre automatisk gradering af nethindebilleder for at detektere diabetisk retinopati (DR). Dette vil blive opnået gennem to hovedmål:

1. Ved at bruge mere end 35.000 nethindebilleder taget på Odense Universitetshospital (OUH), vil vi først træne en FCN til at genkende karakteristiske DR-læsioner.
2. For det andet vil vi validere dette i en delmængde af billeder for at lette automatisk DR-gradering.

Partnere

• Øjenafdeling, OUH
• Steno Diabetes Center Odense, OUH
• Mærsk Mc-Kinney Møller Instituttet, SDU
• Forskningsenhed for Oftalmologi, Klinisk Institut, SDU

Ekstern finansiering

Projektet har modtaget støtte fra ph.d.-stipendier fra Steno Diabetes Center Odense og Helse Sør-Øst i Norge.

Projektet er en del af et igangværende samarbejde mellem Øjenafdelingen på Odense Universitetshospital, Steno Diabetes Center Odense og ​​professor Thiusius Rajeeth Savarimuthu ved Mærsk Mc-Kinney Møller Instituttet, Syddansk Universitet.

Yderligere undersøgelser omfatter deep-learning-baseret identifikation hos patienter med synstruende diabetisk retinopati og brugen af ​​kunstig intelligens til at lette karaktergivningsfærdigheder i den virtuelle okulære læringsplatform VIOLA.