Nghiên cứu ứng dụng học sâu hỗ trợ phát hiện bệnh võng mạc đái tháo đường từ ảnh võng mạc

BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CƠNG NGHỆ Lê Hồng Hiệp NGHIÊN CỨU ỨNG DỤNG HỌC SÂU HỖ TRỢ PHÁT HIỆN BỆNH VÕNG MẠC ĐÁI THÁO ĐƯỜNG TỪ ẢNH VÕNG MẠC LUẬN VĂN THẠC SĨ: MÁY TÍNH Hà Nội - Năm 2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO VIỆN HÀN LÂM KHOA HỌC VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ Lê Hoàng Hiệp NGHIÊN CỨU ỨNG DỤNG HỌC SÂU HỖ TRỢ PHÁT HIỆN BỆNH VÕNG MẠC ĐÁI THÁO ĐƯỜNG TỪ ẢNH VÕNG MẠC Chuyên ngành: Hệ thống thông tin Mã số: 8480104 LUẬN VĂN THẠC SĨ NGÀNH: MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Nguyễn Như Sơn Hà Nội - Năm 2023 CAM ĐOAN Tôi xin cam đoan đề tài nghiên cứu luận văn cơng trình nghiên cứu tơi dựa tài liệu, số liệu tơi tự tìm hiểu nghiên cứu Chính vậy, kết nghiên cứu đảm bảo trung thực khách quan Đồng thời, kết chưa xuất nghiên cứu Các số liệu, kết nêu luận văn trung thực sai tơi hồn chịu trách nhiệm trước pháp luật Tác giả luận văn Lê Hoàng Hiệp LỜI CẢM ƠN Đề tài “Nghiên cứu ứng dụng học sâu hỗ trợ phát bệnh võng mạc đái tháo đường từ ảnh võng mạc” nội dung chọn để nghiên cứu làm luận văn tốt nghiệp cao học sau hai năm theo học Học viện Khoa học Công nghệ Trong trình làm hồn thiện luận văn tốt nghiệp tơi nhận nhiều giúp đỡ Đầu tiên, xin gửi lời cảm ơn chân thành tới thầy hướng dẫn TS Nguyễn Như Sơn Thầy người tận tình giúp đỡ, dẫn dắt, truyền đạt kiến thức kinh nghiệm cho tôi, không trình thực luận văn tốt nghiệp mà cịn suốt thời gian học tập Học viện Khoa học Cơng nghệ Tiếp tơi xin gửi lời cảm ơn đến quý thầy cô giảng dạy suốt thời gian theo học Học viện Khoa học Công nghệ Tôi xin gửi lời cảm ơn đơn vị chun mơn, ban Lãnh đạo, phịng Đào tạo, phòng chức Học viện Khoa học Cơng nghệ để luận văn hồn thành Sau muốn gửi lời cảm ơn đến gia đình, bạn bè, đàn anh đàn chị, bạn học lớp ITT2021A động viên, giúp đỡ tơi q trình làm luận văn Trong q trình làm luận văn, cố gắng để hoàn thành thật tốt đề tài khả Tuy nhiên điều kiện thời gian kiến thức hạn chế, nên luận văn chắn cịn nhiều thiết sót Tơi thực mong nhận góp ý thầy bạn Một lần nữa, xin chân thành cảm ơn! Hà Nội, ngày tháng năm 2023 Học viên Lê Hoàng Hiệp MỤC LỤC CAM ĐOAN LỜI CẢM ƠN MỤC LỤC DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ CÁI VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ 10 MỞ ĐẦU 12 Lý chọn đề tài 13 Mục đích nghiên cứu 14 Nội dung nghiên cứu 15 Đối tượng phạm vi nghiên cứu 15 4.1 Bệnh lý hoàng điểm đái tháo đường 15 4.2 Bệnh lý võng mạc đái tháo đường tiền tăng sinh 16 4.3 Bệnh lý võng mạc đái tháo đường giai đoạn tăng sinh 17 Những đóng góp luận văn 17 1.1 Giới thiệu 19 1.2 Tình hình nghiên cứu nước 19 1.3 Tình hình nghiên cứu nước 25 CHƯƠNG 2: MƠ HÌNH MẠNG NƠ-RON ĐỀ XUẤT 34 2.1 Giới thiệu 34 2.2 Một số mạng nơ-ron phổ biến thường sử dụng 34 2.2.1 Mạng nơ-ron tích chập (CNN) 35 2.2.2 Lớp tích chập 35 2.2.3 Lớp tổng hợp 36 2.2.4 Lớp kết nối đầy đủ 37 2.2.5 Dropout 38 2.2.6 Hàm kích hoạt 39 2.2.7 Các kiến trúc CNN phổ biến khác 40 2.3 Các kỹ thuật tiền xử lý ảnh 45 2.4 Mạng ResNet50 49 2.5 Mơ hình đề xuất 49 CHƯƠNG 3: THỰC NGHIỆM MƠ HÌNH VÀ ĐÁNH GIÁ KẾT QUẢ 51 3.1 Dữ liệu thử nghiệm 51 3.2 Công cụ môi trường thử nghiệm 52 3.3 Kịch thử nghiệm 52 3.4 Phương pháp đánh giá 53 3.5 Chi tiết mơ hình đề xuất 54 Bước 1: Tiền xử lý liệu 54 Bước 2: Phân loại ảnh mô hình ResNet50 58 3.6 Kết thực nghiệm 59 KẾT LUẬN 61 Kết luận 61 Hướng nghiên cứu 61 DANH MỤC CƠNG TRÌNH CỦA TÁC GIẢ 62 TÀI LIỆU THAM KHẢO 63 DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ CÁI VIẾT TẮT STT Từ viết tắt Từ tiếng anh DR Diabetic retinopathy AI Aritificial Intelligent Trí tuệ nhân tạo CPU Central processing Unit Bộ xử lý trung tâm GPU CNN AMD DM OCT OCTA Graphical Processing Unit Diễn giải/tạm dịch bệnh võng mạc đái tháo đường xử lý đồ hoạ Convolution neural Mạng nơ-ron tích network chập Age-related macular Thối hố điểm vàng degeneration liên quan đến tuổi tác Diabetes Mellitus Bệnh đái tháo đường Optical coherence Chụp cắt lớp kết hợp tomography quang học Optical coherence Chụp X-Quang quang tomography angiography học DANH MỤC CÁC BẢNG Bảng 1.3.1: Một số mô hình phân loại DR phổ biến 31 Bảng 3.1.1: Một số liệu phổ biến 51 Bảng 3.6.1: Một số kết thực nghiệm 59 10 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1: Hình ảnh nhiễm khơng nhiễm bệnh 13 Hình 4.1.1: Ảnh OCT hồng điểm bình thường 16 Hình 4.1.2: Ảnh OCT mắt bị phù hoàng điểm 16 Hình 4.3.1: Bệnh võng mạc đái tháo đường ảnh võng mạc huỳnh quang 17 Hình 2.1.1: Một kiến trúc điển hình để phân loại bệnh DR 34 Hình 2.2.1.1: Mơ hình mạng nơ-ron tích chập 35 Hình 2.2.2.1: Mơ hình lớp tích chập 36 Hình 2.2.3.1: Ví dụ minh hoạ lớp tổng hợp Max kích thước 2x2 37 Hình 2.2.4.1:Ví dụ lớp kết nối đầy đủ 38 Hình 2.2.5.1: Minh hoạ Dropout 39 Hình 2.2.6.1: Một số hàm kích hoạt phổ biến 40 Hình 2.3.1: Một số kỹ thuật tiền xử lý ảnh 45 Hình 2.3.2: Kỹ thuật lật ảnh 45 Hình 2.3.3: Kỹ thuật cắt ảnh ngẫu nhiên 46 Hình 2.3.4: Kỹ thuật xoay ảnh 46 Hình 2.3.5: Kỹ thuật dịch chuyển màu ảnh 47 Hình 2.3.6: Kỹ thuật thêm nhiễu vào ảnh 47 Hình 2.3.7: Kỹ thuật mát thơng tin 48 Hình 2.3.8: Kỹ thuật thay đổi độ tương phản 48 Hình 2.5.1: Quy trình phân loại dự kiến 50 56 Hình 3.6: Biểu đồ tần xuất xuất nhóm bệnh tập liệu Ngồi ra, để giảm kích thước liệu, luận án sử dụng thuật toán làm mờ Gaussian nhằm làm rõ vùng biên ảnh mắt tiến hành cắt ảnh theo vùng biên hình 3.7 Hình 3.7: Hình ảnh sau tiến hành làm mờ cắt ảnh theo vùng biên Với việc sử dụng mơ hình dựa sở học máy, tượng khớp thường xuyên xảy ra, để hạn chế vấn đề này, luận án làm giàu liệu sử dụng phương pháp xoay ảnh trái, phải, xoay với góc độ ngẫu nhiên, thay đổi độ sáng, độ tương phản, làm mở, bổ sung nhiễu hình 3.8 3.9 Các kỹ thuật việc giúp gia tăng số lượng liệu giúp nâng cao chất lượng liệu, làm sở để nâng cao chất lượng mơ hình 57 Hình 3.8: Một số hình ảnh liệu sau tăng cường 58 Hình 3.9: Dữ liệu sau cắt theo góc tự động Bước 2: Phân loại ảnh mơ hình ResNet50 Đối với tốn luận án sử dụng phiên biến đổi ResNet ResNet50 với số lượng tham số nhằm đáp ứng điều kiện trang thiết bị phần cứng sẵn có Mơ hình ResNet50 trình bày chi tiết hình 3.10 đây: Hình 3.10: Mơ hình mạng ResNet50 59 Trong Conv: lớp tích chập Batch Norm: Q trình chuẩn hố vectors lớp ẩn ReLu: Hàm kích hoạt Relu MaxPool: Lớp tổng hợp giá trị theo giá trị lớn AVGPool: Lớp tổng hợp giá trị theo giá trị trung bình Flattern: Biến đổi giá trị dạng ma trận chiều FC: Lớp kết nối đầy đủ 3.6 Kết thực nghiệm Bảng 3.6.1: Một số kết thực nghiệm Model ResNet-34 (21.8M) ResNet-50 (25.6M) Dataset Precision Recall F1 score Dữ liệu gốc 62 % 67 % 64 % 76 % Tiền xử lý 65 % 70 % 67 % 82 % Tiền xử lý 66 % 71 % 68 % 83 % Accuracy Từ bảng trên, luận án đưa kết luận sau đây: Mơ hình ResNet-50 với liệu qua xử lý cho kết tốt so với mơ hình khác Cụ thể, giá trị Precision, Recall F1-Score cao từ 1% 4% so với mơ hình sử dụng ResNet-34, Accuracy, mơ hình 60 đề xuất cho kết cao lên tới 7% so với việc sử dụng mơ hình ResNet34 Các kết cải thiện mơ hình ResNet-50 cho thấy mơ hình có nhiều tham số kết hợp với trình tiền xử lý giúp kết dự đoán tốt Mặc dù kết mơ hình có cải thiện so với mơ hình so sánh nhiên kết thấp Ngun nhân đến từ việc mơ hình sử dụng sử dụng dựa mơ hình có sẵn, chưa có biến đổi tham số phù hợp với tốn chưa có phương pháp cập nhật tham số phù hợp dẫn đến kết đầu có khả quan chưa thực tốt 61 KẾT LUẬN Kết luận - Luận văn trình bày tóm tắt nghiên cứu liên quan, thực trạng bệnh võng mạc đái tháo đường phạm vi ngồi nước - Luận văn trình bày phương pháp nhằm phân loại tình trạng khác bệnh võng mạc đái tháo đường từ ảnh võng mạc - Hạn chế: + Mặc dù kết cho thấy mơ hình sử dụng cho kết tốt hơn, nhiên phạm vi số lượng nghiên cứu so sánh liên quan cịn + Các kết cần so sánh/thực nghiệm nhiều lần khác để đảm bảo độ tin cậy mô hình + Bộ liệu đầu vào nhỏ so với số lượng liệu cần thiết để triển khai mơ hình Do cần thực nghiệm so sánh thêm với liệu có kích thước lớn Hướng nghiên cứu Trong tương lai, luận văn thực theo hướng nghiên cứu sau: + Đề xuất mơ hình có khả giải vấn đề liệu khơng cân + Nâng cao chất lượng dự báo mơ hình + Thực hành so sánh với nhiều liệu khác khác + Áp dụng, triển khai kết vào thực tiễn sử dụng 62 DANH MỤC CƠNG TRÌNH CỦA TÁC GIẢ TT Tên cơng trình Là tác giả (bài báo, cơng trình ) đồng tác giả Đánh giá hiệu số phương pháp học sâu phát bệnh đái tháo đường qua ảnh võng mạc cơng trình Lê Tuấn Anh; Nguyễn Tiến Đồng; Lê Hoàng Sơn; Vũ Đức Thi; Nguyễn Long Giang; Nguyễn Như Sơn; Hoàng Thị Minh Châu; Trịnh Văn Hà; Lê Hoàng Hiệp; Trần Tuấn Toàn Nơi cơng bố (tên tạp chí Năm cơng bố đăng cơng trình) Kỷ yếu Hội nghị Khoa học cơng nghệ Quốc gia lần thứ XV Nghiên cứu ứng dụng Công nghệ thông tin (FAIR) 2022 63 TÀI LIỆU THAM KHẢO Tài liệu tham khảo tiếng Anh: [1] Chua, J., Lim, C X Y., Wong, T Y., & Sabanayagam, C (2018) Diabetic retinopathy in the Asia-Pacific The Asia-Pacific Journal of Ophthalmology, 7(1), 3-16 [2] Klein BE Overview of epidemiologic studies of diabetic retinopathy Ophthalmic epidemiology 2007; 14: 179–83 [3] Cheung N, Mitchell P, Wong TY Diabetic retinopathy Lancet 2010; 376 (9735): 124–36 [4] Cheung, N., & Wong, T Y (2008) Diabetic retinopathy and systemic vascular complications Progress in retinal and eye research, 27(2), 161-176 [5] Leasher, J L., Bourne, R R., Flaxman, S R., Jonas, J B., Keeffe, J., Naidoo, K., & Vision Loss Expert Group of the Global Burden of Disease Study (2016) Global estimates on the number of people blind or visually impaired by diabetic retinopathy: a meta-analysis from 1990 to 2010 Diabetes care, 39(9), 1643-1649 [6] Early Treatment Diabetic Retinopathy Study Research Group (1991) Grading diabetic retinopathy from stereoscopic color fundus photographs—an extension of the modified Airlie House classification: ETDRS report number 10 Ophthalmology, 98(5), 786-806 [7] Teo, Z L., Tham, Y C., Yu, M., Chee, M L., Rim, T H., Cheung, N., & Cheng, C Y (2021) Global prevalence of diabetic retinopathy and projection of burden through 2045: systematic review and meta-analysis Ophthalmology, 128(11), 1580-1591 [8] Tan, G S., Cheung, N., Simo, R., Cheung, G C., & Wong, T Y (2017) Diabetic macular oedema The lancet Diabetes & endocrinology, 5(2), 143155 [9] Wong, T Y., Sun, J., Kawasaki, R., Ruamviboonsuk, P., Gupta, N., Lansingh, V C., & Taylor, H R (2018) Guidelines on diabetic eye care: the international council of ophthalmology recommendations for screening, 64 follow-up, referral, and treatment based on resource settings Ophthalmology, 125(10), 1608-1622 [10] Lains, I., Wang, J C., Cui, Y., Katz, R., Vingopoulos, F., Staurenghi, G., & Miller, J B (2021) Retinal applications of swept source optical coherence tomography (OCT) and optical coherence tomography angiography (OCTA) Progress in Retinal and Eye Research, 84, 100951 [11] LeCun Y, Boser BE, Denker JS, Henderson D, Howard RE, Hubbard WE, Jackel LD (1990) Handwritten digit recognition with a back-propagation network In: Advances in neural information processing systems, pp 396–404 [12] Suganuma, M., Shirakawa, S., & Nagao, T (2017, July) A genetic programming approach to designing convolutional neural network architectures In Proceedings of the genetic and evolutionary computation conference (pp 497-504) [13] LeCun, Y (2015) LeNet-5, convolutional neural networks URL: http://yann lecun com/exdb/lenet, 20(5), 14 [14] He, Kaiming; Zhang, Xiangyu; Ren, Shaoqing; Sun, Jian (2016) "Deep Residual Learning for Image Recognition" 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR): 770–778 [15] Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., & Rabinovich, A (2015) Going deeper with convolutions In Proceedings of the IEEE conference on computer vision and pattern recognition (pp 1-9) [16] Simonyan, K., & Zisserman, A (2014) Very deep convolutional networks for large-scale image recognition arXiv preprint arXiv:1409.1556 [17] He, K., Zhang, X., Ren, S., & Sun, J (2016) Deep residual learning for image recognition In Proceedings of the IEEE conference on computer vision and pattern recognition (pp 770-778) [18] Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A (2017, February) Inception-v4, inception-resnet and the impact of residual connections on learning In Proceedings of the AAAI conference on artificial intelligence (Vol 31, No 1) 65 [19] Sonali, S Sahu, A K Singh, S P Ghrera and M Elhoseny, "An approach for de-noising and contrast enhancement of retinal fundus image using CLAHE", Opt Laser Technol., vol 110, pp 87-98, Feb 2019 [20] H Leopold, J Orchard, J Zelek and V Lakshminarayanan, "PixelBNN: Augmenting the PixelCNN with batch normalization and the presentation of a fast architecture for retinal vessel segmentation", J Imag., vol 5, no 2, pp 26, 2019 [21] D Mahapatra, B Bozorgtabar and R Garnavi, "Image super-resolution using progressive generative adversarial networks for medical image analysis", Comput Med Imag Graph., vol 71, pp 30-39, Jan 2019 [22] X Wang, X Jiang and J Ren, "Blood vessel segmentation from fundus image by a cascade classification framework", Pattern Recognit., vol 88, pp 331-341, Apr 2019 [23] Z Fan, J Lu, C Wei, H Huang, X Cai and X Chen, "A hierarchical image matting model for blood vessel segmentation in fundus images", IEEE Trans Image Process., vol 28, no 5, pp 2367-2377, May 2019 [24] N I Hossain and S Reza, "Blood vessel detection from fundus image using Markov random field based image segmentation", Proc 4th Int Conf Adv Electr Eng (ICAEE), pp 123-127, Sep 2017 [25] A M R R Bandara and P W G R M P B Giragama, "A retinal image enhancement technique for blood vessel segmentation algorithm", Proc IEEE Int Conf Ind Inf Syst (ICIIS), pp 1-5, Dec 2017 [26] K M Adal, P G van Etten, J P Martinez, K W Rouwen, K A Vermeer and L J van Vliet, "An automated system for the detection and classification of retinal changes due to red lesions in longitudinal fundus images", IEEE Trans Biomed Eng., vol 65, no 6, pp 1382-1390, Jun 2018 [27] P Costa, A Galdran, M I Meyer, M Niemeijer, M Abramoff, A M Mendonca, et al., "End-to-end adversarial retinal image synthesis", IEEE Trans Med Imag., vol 37, no 3, pp 781-791, Mar 2018 66 [28] K.-K Maninis, J Pont-Tuset, P Arbeláez and L Van Gool, "Deep retinal image understanding", Proc Int Conf Med Image Comput Computssist Intervent., pp 140-148, 2016 [29] M B Patwari, R R Manza, Y M Rajput, D D Rathod, M Saswade and N Deshpande, "Classification and calculation of retinal blood vessels parameters", Proc IEEE Int Conf Converg Technol., pp 1-6, Jul 2016 [30] R Tennakoon, D Mahapatra, P Roy, S Sedai and R Garnavi, "Image quality classification for DR screening using convolutional neural networks", Proc Ophthalmic Med Image Anal 3rd Int Workshop, pp 1-9, Oct 2016 [31] A Lahiri, A G Roy, D Sheet and P K Biswas, "Deep neural ensemble for retinal vessel segmentation in fundus images towards achieving label-free angiography", Proc 38th Annu Int Conf IEEE Eng Med Biol Soc (EMBC), pp 1340-1343, Aug 2016 [32] S Roychowdhury, D Koozekanani and K Parhi, "Blood vessel segmentation of fundus images by major vessel extraction and subimage classification", IEEE J Biomed Health Inform., vol 19, no 3, pp 1118-1128, May 2015 [33] J Odstrcilik, R Kolar, T Kubena, P Cernosek, A Budai, J Hornegger, et al., "Retinal vessel segmentation by improved matched filtering: Evaluation on a new high-resolution fundus image database", IET Image Process., vol 7, no 4, pp 373-383, Jun 2013 [34] D Relan, T MacGillivray, L Ballerini and E Trucco, "Retinal vessel classification: Sorting arteries and veins", Proc 35th Annu Int Conf IEEE Eng Med Biol Soc (EMBC), pp 7396-7399, Jul 2013 [35] D Calvo, M Ortega, M G Penedo and J Rouco, "Automatic detection and characterisation of retinal vessel tree bifurcations and crossovers in eye fundus images", Comput Methods Programs Biomed., vol 103, no 1, pp 2838, Jul 2011 [36] L Giancardo, F Meriaudeau, T P Karnowski, Y Li, K W Tobin and E Chaum, "Microaneurysm detection with radon transform-based 67 classification on retina images", Proc Annu Int Conf IEEE Eng Med Biol Soc., pp 5939-5942, Aug 2011 [37] C Muramatsu, Y Hatanaka, T Iwase, T Hara and H Fujita, "Automated detection and classification of major retinal vessels for determination of diameter ratio of arteries and veins", Proc SPIE, vol 7624, Mar 2010 [38] J Paulus, J Meier, R Bock, J Hornegger and G Michelson, "Automated quality assessment of retinal fundus photos", Int J Comput Assist Radiol Surg., vol 5, no 6, pp 557-564, Nov 2010 [39] F M Villalobos-Castaldi, E M Felipe-Riverón and L P SánchezFernández, "A fast efficient and automated method to extract vessels from fundus images", J Visualizat., vol 13, no 3, pp 263-270, Aug 2010 [40] D S W Ting, L R Pasquale, L Peng, J P Campbell, A Y Lee, R Raman, et al., "Artificial intelligence and deep learning in ophthalmology", Brit J Ophthalmol., vol 103, pp 167-175, Feb 2019 [41] S Moccia, E De Momi, S El Hadji and L S Mattos, "Blood vessel segmentation algorithms—Review of methods datasets and evaluation metrics", Comput Methods Programs Biomed., vol 158, pp 71-91, May 2018 [42] J Almotiri, K Elleithy and A Elleithy, "Retinal vessels segmentation techniques and algorithms: A survey", Appl Sci., vol 8, no 2, pp 155, 2018 [43] A Singh, M K Dutta, M ParthaSarathi, V Uher and R Burget, "Image processing based automatic diagnosis of glaucoma using wavelet features of segmented optic disc from fundus image", Comput Methods Programs Biomed., vol 124, pp 108-120, Feb 2016 [44] V Harini and V Bhanumathi, "Automatic cataract classification system", Proc Int Conf Commun Signal Process (ICCSP), pp 0815-0819, Apr 2016 [45] R Estrada, M J Allingham, P S Mettu, S W Cousins, C Tomasi and S Farsiu, "Retinal artery-vein classification via topology estimation", IEEE Trans Med Imag., vol 34, no 12, pp 2518-2534, Dec 2015 68 [46] J Mo and L Zhang, "Multi-level deep supervised networks for retinal vessel segmentation", Int J Comput Assist Radiol Surg., vol 12, no 12, pp 2181-2193, Dec 2017 [47] S Wang, Y Yin, G Cao, B Wei, Y Zheng and G Yang, "Hierarchical retinal blood vessel segmentation based on feature and ensemble learning", Neurocomputing, vol 149, pp 708-717, Feb 2015 [48] Zhang, W., Zhong, J., Yang, S., Gao, Z., Hu, J., Chen, Y & Yi, Z (2019) Automated identification and grading system of diabetic retinopathy using deep neural networks Knowledge-Based Systems, 175, 12-25 [49] Bellemo, V., Lim, Z.W., Lim, G., Nguyen, G.D., Xie, Y., Yip, M.Y.T., Hamzah, H., Ho, J., Lee, X.Q., Hsu, W., Lee, M.L., Musonda, L., Chandran, M., Chipalo-Mutati, G., Muma, M., Tan, G.S.W., Sivaprasad, S., Menon, G., Wong, T.Y & Ting, D.S.W (2019) Artificial intelligence using deep learning to screen for referable and vision-threatening diabetic retinopathy in Africa: A clinical validation study The Lancet Digital Health, 1(1), e35-e44 [50] Qummar, S., Khan, F.G., Shah, S., Khan, A., Shamshirband, S., Rehman, Z.U., Khan, I.A & Jadoon, W (2019) A deep learning ensemble approach for diabetic retinopathy detection IEEE Access, 7, 150530-150539 [51] Mateen, M., Wen, J., Nasrullah, N., Sun, S & Hayat, S (2020) Exudate detection for diabetic retinopathy using pretrained convolutional neural networks Complexity, 2020, 5801870 [52] Xie, Y., Nguyen, Q.D., Hamzah, H., Lim, G., Bellemo, V., Gunasekeran, D.V., Yip, M.Y.T., Lee, X.Q., Hsu, W., Lee, M.L., Tan, C.S., Wong, H.T., Lamoureux, E.L., Tan, G.S.W., Wong, T.Y., Finkelstein, E.A & Ting, D.S.W (2020) Artificial intelligence for teleophthalmology-based diabetic retinopathy screening in a national programme: An economic analysis modelling study The Lancet Digital Health, 2(5), e240-e249 Tài liệu tham khảo tiếng Việt [53] Trần, T H L., & Vũ, T A (2022) Phân loại giai đoạn bệnh võng mạc đái tháo đường dựa ảnh chụp đáy mắt kĩ thuật số tiêu chuẩn Tạp chí Y học Việt Nam, 514(1) 69 [54] Kim Minh, Trúc, V L N., Tân, V V., & Trầm, T V (2021) Tình hình bệnh lý võng mạc đái tháo đường yếu tố liên quan tỉnh Tiền Giang năm 2020 Vietnam Journal of Diabetes and Endocrinology, (46), 117-122 [55] Kim Minh, Trúc, V L N., Tân, V V., & Trầm, T V (2021) Tình hình bệnh lý võng mạc đái tháo đường yếu tố liên quan tỉnh Tiền Giang năm 2020 Vietnam Journal of Diabetes and Endocrinology, (46), 117-122 [56] Lương Ngọc Khuê, Nguyễn Thụy Khuê (2016) Quản lý Đái Tháo Đường STENO- VDCD Tài liệu tập huấn cục quản lý khám chữa bệnh tổ chức Tiền Giang [57] Vi, Trần Thị Hồi, Ngơ Thị Kim Yến, Nguyễn Thị Quảng Trị, Nguyễn Ngọc Thanh, and Ngô Minh Tuấn "Đánh giá tỷ lệ mắc bệnh võng mạc đái tháo đường người cao tuổi quận Sơn Trà, Thành phố Đà Nẵng." Vietnam Journal of Diabetes and Endocrinology 49 (2021): 51-56 [58] Quang, Trần Đăng, and Vũ Tuấn Anh "Kết phẫu thuật điều trị bong võng mạc co kéo đái tháo đường có sử dụng PFCL." Tạp chí Y học Việt Nam 508, no (2021) [59] Tùng, Đỗ Đình "Nghiên cứu đặc điểm tổn thương võng mạc mắt bệnh nhân đái tháo đường típ máy chụp võng mạc kỹ thuật số DRS." Tạp chí Y học Việt Nam 510, no (2022) [60] BỘ Y TẾ "Hướng dẫn chẩn đoán điều trị đái tháo đường típ 2." Hà Nội (2017) [61] LINH, NGUYỄN DIỆU "Nghiên cứu sử dụng thuốc Bevacizumab tiêm nội nhãn phối hợp cắt dịch kính điều trị bệnh võng mạc đái tháo đường giai đoạn tăng sinh có biến chứng xuất huyết dịch kính." (2021) Luận án TS Y học 2019 [62] Thủy, Nguyễn Hải "Cập nhật chẩn đoán điều trị tiền đái tháo đường." Vietnam Journal of Diabetes and Endocrinology 46 (2021): 9-25 [63] Hải, Hoàng "Hiệu can thiệp cải thiện thực hành dinh dưỡng tuân thủ sử dụng thuốc điều trị bệnh nhân đái tháo đường tuýp ngoại trú bệnh viện đa khoa nơng nghiệp." Tạp chí Y học Việt Nam 503, no (2021) 70 [64] Ngơ, Huy Hồng, and Thị Hồng Thuý Đoàn "Thay đổi thực hành tuân thủ điều trị người bệnh đái tháo đường type điều trị ngoại trú Bệnh viện Nội Tiết tỉnh Sơn La." Tạp chí Khoa học Điều dưỡng 3, no (2020): 5058