Hibrit derin öğrenme yaklaşımları ile fundus görüntüleri üzerinden göz hastalıkları tespiti
Detecting eye diseases from fundus images using hybrid deep learning approaches
- Tez No: 1011223
- Danışmanlar: PROF. DR. ŞAKİR TAŞDEMİR, DR. ÖĞR. ÜYESİ KÜBRA UYAR PINAR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Göz hastalıkları, erken teşhis edilmediğinde kalıcı görme kaybına yol açan sağlık problemleri arasında yer almaktadır. Göz hastalıklarının tespitinde dijital görüntüleme tekniklerinden biri olan fundus görüntüleme yöntemi doktorlar tarafından kullanılmaktadır. Fundus görüntülerinin klasik yöntemlerle analiz edilmesi, yüksek düzeyde uzmanlık gerektirmekte olup, hekim sayısının yetersizliği bu süreci zorlaştırmaktadır. Bu sebeplerden dolayı bilgisayar destekli teşhis sistemlerine olan talep sürekli artmaktadır. Bu tez çalışması kapsamında, sık karşılaşılan göz hastalıklarının bilgisayar destekli tespit edilmesine yönelik deneysel bir çalışma gerçekleştirilmiştir. Çalışmada üç farklı fundus görüntü veriseti kullanılmıştır. İlk veriseti, katarakt, diyabetik retinopati(DR), glokom ve sağlıklı bireylere ait fundus görüntülerini içeren çoklu göz hastalıklarıdır. İkinci veriseti, glokomun erken evresi, ileri evresi ve normal sınıflarını içeren HDV1 isimli glokom veri setidir. Üçüncü veri seti ise prematüre retinopatisinin(PR) teşhisine yönelik olarak evre 1, evre 2, evre 3, lazer yaralarını ve normal sınıflarını içermektedir. Verisetleri, hem çok sınıflı hem de evre tabanlı göz hastalığı problemlerinin değerlendirilmesi amacıyla seçilmiştir. Çoklu göz hastalıkları veri seti üzerinde gerçekleştirilen deneysel çalışmalarda, farklı blok yapılarına sahip toplam 15 Konvolüsyonel Sinir Ağı (KSA) modeli test edilmiştir. Deney sonucunda en başarılı olan üç model seçilerek oylama yöntemleriyle topluluk öğrenmesi yaklaşımları test edilmiştir. Ayrıca Yapay Arı Kolonisi (YAK) algoritması ile ağırlıklandırılmış yeni bir topluluk öğrenmesi yöntemi önerilmiştir. Önerilen YAK tabanlı yöntem ile %98.84 doğruluk, %98.90 kesinlik, %98.84 duyarlılık ve %98.85 f1-skoru elde edilmiştir. Glokom veri seti üzerinde yürütülen çalışmalarda 40 farklı KSA modeli ve 40 farklı Görüntü Dönüştürücü(GD) mimarisi test edilmiştir. Deneysel çalışmalar sonucunda GD modellerinden MaxViT modeli en başarılı sonucu elde etmiştir. MaxViT modeli üzerinde kök bloğuna entegre edilen dikkat mekanizması ve özellik çıkarma bloklarının daha modern yapılar ile değiştirilmesi ile MaxGlaViT isimli modeli önerilmiştir. MaxGlaViT glokom veriseti üzerinde %92.03 doğruluk, %92.33 kesinlik, %92.03 duyarlılık ve %92.13 f1-skor değerleri elde etmiştir. Prematüre retinopatisi veri seti üzerinde gerçekleştirilen deneylerde 25 KSA ve 25 GD modeli eğitilerek test edilmiştir. En başarılı performans, %92.03 doğruluk, %93.39 kesinlik, %92.03 duyarlılık ve %92.32 f1-skoru ile GCViT-Base modeli ile elde edilmiştir. Modelin performansını artırmak amacıyla kök bloğuna dikkat mekanizması eklenmiş ve klasik Çok Katmanlı Algılayıcı(ÇKA) katmanı Artık Çok Katmanlı Algılayıcı (AÇKA) katmanı ile değiştirilmiştir. ROPGCViT ismi verilen bu model ile %94.69 doğruluk, %94.84 kesinlik, %94.69 duyarlılık ve %94.60 f1-skor değerleri elde edilmiştir.
Özet (Çeviri)
Eye diseases are among the health problems that can lead to permanent vision loss if not diagnosed early. Fundus imaging, a digital imaging technique, is used by doctors in the detection of eye diseases. Analyzing fundus images using classical methods requires a high level of expertise, and the insufficient number of physicians makes this process difficult. For these reasons, the demand for computer-assisted diagnostic systems is increasing. Within the scope of this thesis, an experimental study was conducted on the computer-assisted detection of common eye diseases. Three different fundus image datasets were used in the study. The first dataset includes multiple eye diseases, including cataract, diabetic retinopathy (DR), glaucoma, and fundus images of healthy individuals. The second dataset is the HDV1 glaucoma dataset, which includes early-stage, advanced-stage, and normal classes of glaucoma. The third dataset includes stages 1, 2, 3, laser scars, and normal classes for the diagnosis of retinopathy of prematurity (PR). The datasets were selected for the evaluation of both multi-class and stage-based eye disease problems. In experimental studies conducted on a dataset of multiple eye diseases, a total of 15 Convolutional Neural Network (CNN) models with different block structures were tested. The three most successful models were selected, and ensemble learning approaches were tested using voting methods. Additionally, a new weighted ensemble learning method using the ABC algorithm was proposed. The proposed ABC-based method achieved 98.84% accuracy, 98.90% precision, 98.84% sensitivity, and 98.85% f1-score. In studies conducted on a glaucoma dataset, 40 different CNN models and 40 different Vision Transformer (ViT) architectures were tested. As a result of the experimental studies, the MaxViT model achieved the most successful results among the ITC models. By replacing the attention mechanism and feature extraction blocks integrated into the root block of the MaxViT model with more modern structures, the MaxGlaViT model was proposed. MaxGlaViT achieved 92.03% accuracy, 92.33% precision, 92.03% sensitivity, and 92.13% f1-score on the glaucoma dataset. In experiments conducted on the retinopathy of prematurity dataset, 25 KSA and 25 ViT models were trained and tested. The most successful performance was obtained with the GCViT-Base model, with 92.03% accuracy, 93.39% precision, 92.03% sensitivity, and 92.32% f1-score. To improve the model's performance, an attention mechanism was added to the root block, and the classic Multilayer Perceptron (MLP) layer was replaced with a Recycle Multilayer Perceptron (RPP) layer. With this model, named ROPGCViT, 94.69% accuracy, 94.84% precision, 94.69% sensitivity, and 94.60% f1-score were obtained.
Benzer Tezler
- Optik koherens tomografi ve retinal fundus görüntüleri kullanılarak çok sınıflı ve çok etiketli göz hastalıklarının derin öğrenme tabanlı sınıflandırılması
Deep learning-based multi-class and multi-label classification of ocular diseases using optical coherence tomography and retinal fundus images
MUHAMMED HALİL AKPINAR
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiFırat ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULKADİR ŞENGÜR
- Evolutionary feature optimization for plant leaf disease detection by deep neural networks
Bitki yaprak hastalık teşhisi için derin sinir ağları ile evrimsel özellik optimizasyonu
JALAL SADOON HAMEED AL BAYATI
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Prof. Dr. BURAK BERK ÜSTÜNDAĞ
- Öz bilgi destekli derin öğrenme yaklaşımları ile hsg gürültü giderme
Self-ınformation empowered deep learning approaches for hsı denoising
ORHAN TORUN
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
PROF. DR. MEHMET ERKUT ERDEM
- Automatic modulation classification with machine learning and deep learning approaches
Makine öğrenimi ve derin öğrenme yaklaşımları ile otomatik modülasyon sınıflandırması
AKİL KUTLU
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. DERYA YILMAZ
- Hibrit derin öğrenme teknikleri kullanılarak kısa dönemli rüzgar tahmini
Short-term wind forecasting using hybrid deep learning techniques
MEHMET BALCI
Doktora
Türkçe
2024
Mühendislik BilimleriBilecik Şeyh Edebali ÜniversitesiElektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. UĞUR YÜZGEÇ
DOÇ. DR. EMRAH DOKUR