Volume: 4, 2025
4th International PhD Student’s Conference at the University of Life Sciences in Lublin, Poland:
ENVIRONMENT – PLANT – ANIMAL – PRODUCT
Abstract number: OL002
DOI: https://doi.org/10.24326/ICDSUPL4.OL002
Published online: 9 April 2025
ICDSUPL, 4, OL002 (2025)
Application of artificial intelligence in ophthalmic diagnosis
Katarzyna Nowomiejska1, Maria Skublewska-Paszkowska2, Pawel Powroznik2, Robert Rejdak1
1 Chair and Department of General and Pediatric Ophthalmology, Medical University of Lublin, Chmielna 1, 20-079 Lublin, Poland
2 Faculty of Electrical Engineering and Computer Science, Department of Computer Science, Lublin University of Technology, Nadbystrzycka 36B, 20-618 Lublin, Poland
Abstract
The rapid development of the computer science field has caused Artificial Intelligence (AI) to become a meaningful part of modern healthcare. Retinal diseases recognition is still a challenging task and it is Image-based analysis involving in majority of cases. Many deep learning classification methods and their modifications have been developed for medical imaging. In this study, a new approach using Convolutional Gated Recurrent Units (GRU) U-Net was proposed for the classifying healthy cases and cases with retinitis pigmentosa (RP) and cone–rod dystrophy (CORD). The basis for the classification was the location of pigmentary changes within the retina and fundus autofluorescence (FAF) pattern, as the posterior pole or the periphery of the retina may be affected. The dataset, gathered in the Chair and Department of General and Pediatric Ophthalmology of Medical University in Lublin, consisted of 230 ultra-widefield pseudocolour (UWPCUWFP) and ultra-widefield FAF images, obtained using the Optos 200TX device (Optos PLC). The data were divided into three categories: healthy subjects (50 images), patients with CORD (48 images) and patients with RP (132 images). For applying deep learning classification, which rely on a large amount of data, the dataset was artificially en-larged using augmentation involving image manipulations. The final dataset contained 744 images. The proposed Convolutional GRU U-Net network was evaluated taking account of the following measures: accuracy, precision, sensitivity, specificity and F1. The proposed tool achieved high accuracy in a range of 91.00%–97.90%. The developed solution has a great potential in RP di-agnoses as a supporting tool. The neural network methods are the perfect tool to distinguish between healthy people and patients suffering from various ophthalmic disorders. These modern approaches allow us to find and localise the patterns that are characteristic of the particular disease.
The research was carried out within the Lublin Digital Union (LUC) and was funded by the Ministry of Education and Science (actually Ministry of Science and Higher Education) in Poland, Grant No. MEiN/2023/DPI/2196.
Zastosowanie sztucznej inteligencji w diagnozowaniu chorób oczu
Szybki rozwój informatyki sprawił, że sztuczna inteligencja (AI) stała się istotną częścią nowoczesnej opieki zdrowotnej. Rozpoznawanie chorób siatkówki nadal stanowi wyzwanie w praktyce klinicznej i jest w dużej mierze oparte na analizie obrazów. Na potrzeby obrazowania medycznego opracowano wiele metod klasyfikacji głębokiego uczenia i ich modyfikacji. W tym badaniu zaproponowano nowe podejście wykorzystujące sieć konwolucyjną (GRU) U-Net do klasyfikacji zdrowych przypadków i przypadków ze zwyrodnieniem zapaleniem siatkówki (RP) oraz dystrofią czopkowo-pręcikową (CORD). Podstawą klasyfikacji była lokalizacja zmian pigmentowych w siatkówce i wzorzec autofluorescencji dna oka (FAF), w tylnym bieguna lub obwodzie siatkówki. Zbiór danych, zgromadzony w Katedrze i Klinice Okulistyki Ogólnej i Dziecięcej Uniwersytetu Medycznego w Lublinie, składał się z 230 obrazów pseudokolorowych ultraszerokopolowych (UWPCUWFP) i ultraszerokopolowych FAF, uzyskanych za pomocą urządzenia Optos 200TX (Optos PLC). Dane zostały podzielone na trzy kategorie: osoby zdrowe (50 obrazów), pacjenci z CORD (48 obrazów) i pacjenci z RP (132 obrazy). W celu zastosowania klasyfikacji głębokiego uczenia się, która opiera się na dużej ilości danych, zbiór danych został sztucznie powiększony przy użyciu augmentacji obejmującej manipulacje obrazem. Ostateczny zbiór danych zawierał 744 obrazy. Zaproponowana konwolucyjna sieć GRU U-Net została oceniona z uwzględnieniem następujących miar: dokładność, precyzja, czułość, specyficzność i F1. Zaproponowane narzędzie osiągnęło wysoką dokładność w zakresie 91,00%-97,90%. Opracowane rozwiązanie ma duży potencjał w diagnostyce RP jako narzędzie wspomagające. Metody sieci neuronowych są doskonałym narzędziem do rozróżniania osób zdrowych od pacjentów cierpiących na różne zaburzenia okulistyczne. Te nowoczesne podejścia pozwalają nam znaleźć i zlokalizować wzorce charakterystyczne dla danej choroby.
How to cite
K. Nowomiejska, M. Skublewska-Paszkowska, P. Powroznik, R. Rejdak, 2025. Application of artificial intelligence in ophthalmic diagnosis. In: 4th International PhD Student’s Conference at the University of Life Sciences in Lublin, Poland: Environment – Plant – Animal – Product. https://doi.org/10.24326/ICDSUPL4.OL002