Maküla optik koherens tomografi görüntülerinde yapay zeka ile retina tabakalarındaki bozulmanın tespiti
Detection of retinal layer abnormalities using artificial intelligence in macular optical coherence tomography images
- Tez No: 1010481
- Danışmanlar: PROF. DR. ÖZLEM EŞKİ YÜCEL
- Tez Türü: Tıpta Uzmanlık
- Konular: Göz Hastalıkları, Eye Diseases
- Anahtar Kelimeler: Optik Koherens Tomografi (OKT), DRIL (Retina İç Katmanlarının Düzensizliği), DROL (Retina Dış Katmanlarının Düzensizliği), Yapay Zekâ, Derin Öğrenme, Konvolüsyonel Sinir Ağlar, Göz hastalıkları, Tıbbi görüntüleme cihazları, Optical Coherence Tomography (OCT), DRIL (Disorganization of Retinal Inner Layers), DROL (Disorganization of Retinal Outer Layers), Artificial Intelligence, Deep Learning, Convolutional Neural Networks, Eye diseases, Medical imaging equipments
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Göz Hastalıkları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Retinanın iç ve dış tabakalarındaki mikroyapısal bozulmalar, optik koherens tomografi (OKT) ile noninvaziv olarak değerlendirilebilen ve görsel fonksiyonla yakından ilişkili olan önemli biyobelirteçlerdir. Retina iç tabakalarının düzensizliği (DRIL) nöronal bütünlüğü yansıtan yapısal bir belirteç olarak öne çıkarken, retina dış tabakalarının düzensizliği (DROL) fotoreseptör hasarını temsil etmektedir. Son yıllarda derin öğrenme (DL) tabanlı yapay zekâ (AI) yöntemlerinin gelişimi, bu tür karmaşık retinal yapı değişikliklerinin otomatik ve objektif olarak tespit edilmesine olanak sağlamıştır. Bu çalışma, retinal OKT B-tarama görüntülerinden DRIL, DROL, DRIL+DROL kombinasyonu ve patoloji göstermeyen normal retina paternlerinin DL tabanlı modeller kullanılarak ayırt edilebilirliğinin değerlendirilmesini amaçlamaktadır. Gereç-Yöntem: Mayıs 2025–Aralık 2025 tarihleri arasında Ondokuz Mayıs Üniversitesi Tıp Fakültesi Hastanesi Göz Hastalıkları Kliniğinde 599 hastanın Swept-Source OKT (SS-OKT) maküla B-tarama görüntüsü çalışmaya dâhil edildi. Görüntüler DRIL (n=106), DRIL+DROL (n=186), DROL (n=33) ve normal (n=274) olmak üzere dört sınıfa ayrıldı. Görüntüler patolojik özelliklerine göre DRIL, DROL, DRIL+DROL ve normal olmak üzere dört gruba ayrıldı. Tüm OKT görüntülerinin, fovea merkezli temporal ve nazalde ±500 µm'lik alan içerisindeki bölümü değerlendirildi ve analiz edildi. Görüntüler, derin öğrenme modellerine uygun olacak şekilde yeniden boyutlandırıldı, normalize edildi ve çeşitli veri artırma teknikleri uygulandı. Çalışmada ResNet50, MobileNetV4, ConvNeXtV2 ve MetaFormer mimarileri kullanıldı; tüm modeller ImageNet ön eğitimli ağırlıklarla transfer öğrenme yaklaşımıyla eğitildi. Model performansı, hasta seviyesinde veri bölünmesi esas alınarak gerçekleştirilen 5-fold çapraz doğrulama ile incelendi. Model kararlarının yorumlanabilirliğini artırmak amacıyla Grad-CAM tabanlı ısı haritaları kullanıldı. Sınıflandırma başarısı doğruluk, kesinlik, duyarlılık, F1-skoru, ROC-AUC ve Precision–Recall AUC metrikleri ile analiz edildi. Bulgular: Bu çalışmada DL modellerinin test performansları karşılaştırıldığında, final testinde ResNet50 %91,53 ile en yüksek doğruluk oranına sahipken, MobileNet V4 %89,83 doğruluk ve en yüksek Macro F1 %82,77 değerlerine sahipti. ConvNeXt V2 ve MetaFormer modelleri sırasıyla %76,27 ve %77,97 doğruluk ile daha düşük genel başarı sergiledi. Sınıf bazlı ROC-AUC analizinde tüm modeller normal OKT görüntülerinde yüksek ayırt edicilik gösterirken; DROL grubunda performansları değişkenlik gösterdi, DROL için en yüksek ROC-AUC değeri %97,37 ile MobileNet V4 ile elde edildi. Karışıklık matrisleri, en sık hata örüntüsünün DRIL ile DRIL+DROL sınıfları arasındaki karşılıklı karışmalar olduğunu; ikinci sırada ise DROL sınıfına ilişkin hataların geldiğini gösterdi. Grad-CAM görselleştirmelerinde, doğru sınıflanan olgularda yüksek aktivasyon bölgelerinin klinik olarak patolojik değerlendirilen retina tabakalarıyla uyumlu olduğu izlendi. Sonuç: OKT tabanlı AI yaklaşımları, DRIL ve DROL gibi görsel prognozla ilişkili biyobelirteçlerin objektif, tekrarlanabilir ve standart biçimde değerlendirilmesi için güçlü bir potansiyel sunmaktadır. Farklı mimarilerin karşılaştırılması, tek bir modelin tüm klinik senaryolar için üstün olmadığını göstermiştir. İleride geliştirilecek hibrit veya birleşik mimarilerde, modern konvolüsyonel sinir ağı tasarımlarının güçlü özellik çıkarımı ve transformer tabanlı dikkat mekanizmalarının tek bir çatı altında birleştirilmesi, retinal biyobelirteç analizinde daha yüksek doğruluk ve tutarlılık sağlayabilir.
Özet (Çeviri)
Purpose: Microstructural abnormalities in the inner and outer layers of the retina are important biomarkers that can be noninvasively assessed using optical coherence tomography (OCT) and are closely associated with visual function. While irregularity in the inner retinal layers (DRIL) stands out as a structural marker reflecting neuronal integrity, irregularity in the outer retinal layers (DROL) represents damage to the photoreceptor cells. In recent years, the development of deep learning (DL)-based artificial intelligence (AI) methods has enabled the automated, objective detection of complex retinal structural changes. This study aims to evaluate the distinguishability of DRIL, DROL, the DRIL+DROL combination, and normal retinal patterns without pathology using deep learning-based models from retinal OCT B-scan images. Materials and Methods: Between May 2025 and December 2025, 599 patients' Swept-Source OCT (SS-OCT) macular B-scan images were included in the study at the Ophthalmology Clinic of Ondokuz Mayıs University Faculty of Medicine Hospital. The images were classified into four categories: DRIL (n=106), DRIL+DROL (n=186), DROL (n=33), and normal (n=274). The images were grouped into four categories based on their pathological features: DRIL, DROL, DRIL+DROL, and normal. The section of all OCT images within a ±500 µm area centered on the fovea in the temporal and nasal directions was evaluated and analyzed. The images were resized, normalized, and various data augmentation techniques were applied to make them suitable for deep learning models. The study used ResNet50, MobileNetV4, ConvNeXtV2, and MetaFormer architectures; all models were trained using a transfer learning approach with ImageNet-pretrained weights. Model performance was evaluated using 5-fold cross-validation based on patient-level data splitting. Grad-CAM-based heatmaps were used to enhance the interpretability of model decisions. Classification performance was analyzed using accuracy, precision, sensitivity, F1-score, ROC-AUC, and Precision–Recall AUC metrics. Results: When comparing the test performance of the DL models in this study, ResNet50 achieved the highest accuracy of 91.53% in the final test, while MobileNet V4 achieved the highest Macro F1 score of 82.77%. The ConvNeXt V2 and MetaFormer models demonstrated lower overall performance, with accuracies of 76.27% and 77.97%, respectively. In the class-based ROC-AUC analysis, all models demonstrated high discriminative power on normal OCT images; however, their performance varied within the DROL group, with the highest ROC-AUC value of 97.37% for DROL achieved by MobileNet V4. Confusion matrices indicated that the most common error pattern was cross-class confusion between the DRIL and DRIL+DROL classes, followed by errors related to the DROL class. In Grad-CAM visualizations, high-activation regions in correctly classified cases aligned with retinal layers clinically assessed as pathological. Conclusion: OCT-based AI approaches offer strong potential for the objective, reproducible, and standardized assessment of biomarkers associated with visual prognosis, such as DRIL and DROL. A comparison of different architectures has shown that no single model is superior for all clinical scenarios. In future hybrid or combined architectures, integrating the powerful feature-extraction capabilities of modern convolutional neural network designs with transformer-based attention mechanisms within a single framework could improve accuracy and consistency in retinal biomarker analysis.
Benzer Tezler
- Retina hastalıklarının OCT görüntülerinden hibrit tabanlı CNN yöntemi ile tespit edilmesi
Detection of retinal diseases from OCT images by hybrid-based CNN method
MÜMTAZ KORKMAZ
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TANER TUNCER
- Multipl skleroz hastalarında optik koherans tomografi, manyetik rezonans volümetrik ve kalınlık ölçümleri ile kognisyonun yapay zeka tabanlı değerlendirilmesi
Artificial intelligence-based assessment of cognition using optical coherence tomography, magnetic resonance volumetric and thickness measurements in multiple sclerosis patients
GÜVEN GİRGİN
Tıpta Uzmanlık
Türkçe
2025
NörolojiBaşkent ÜniversitesiNöroloji Ana Bilim Dalı
PROF. DR. EDA DERLE ÇİFTÇİ
DR. ÖĞR. ÜYESİ İLKİN İYİGÜNDOĞDU
- Retina hastalıkları tespiti için yapay zekâ destekli yeni bir hesaplamalı modelin geliştirilmesi
Development of a new computational model supported by artificial intelligence for detection of retinal diseases
HASAN MEMİŞ
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiBatman ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRULLAH ACAR
- Optik koherens tomografisi görüntüleri kullanarak evrişimsel sinir ağı tabanlı retinal hastalık tespiti
Convolutional neural network based retinal disease detection via optical coherence tomography images
İSMAİL KAYADİBİ
Yüksek Lisans
Türkçe
2021
Mühendislik BilimleriAfyon Kocatepe ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜR EMRE GÜRAKSIN
- Optik koherens tomografi görüntülerinden yaşa bağlı makular dejenerasyon tiplerinin yapay zeka kullanılarak tespiti
Detection of age-related macular degeneration types from optical coherens tomography images using artificial intelligence
MUHAMMED AKİF YENİKAYA
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDAL GÜVENOĞLU