Fundus görüntülerinden glokom hastalığının tespit edilmesi
Detection of glaucoma from fundus images
- Tez No: 1011887
- Danışmanlar: DOÇ. DR. ÖZLEM POLAT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sivas Cumhuriyet Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Optik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Glokom, dünya genelinde geri dönüşü olmayan körlüğün başlıca nedenlerinden biri olup, erken evrelerde belirgin semptomlar göstermemesi nedeniyle tanısı güç bir hastalıktır. Bu durum, fundus görüntülerinin analizi yoluyla glokomun erken ve doğru tespitine yönelik otomatik ve güvenilir bilgisayar destekli tanı sistemlerinin geliştirilmesini zorunlu kılmaktadır. Son yıllarda derin öğrenme tabanlı yöntemler, glokom tespitinde yüksek doğruluk oranları sunarak dikkat çekmektedir. Bu tez çalışmasında, fundus görüntülerinden glokom hastalığının otomatik olarak tespit edilmesi amacıyla araştırmalarda yaygın olarak tercih edilen referans veri setlerinden ORIGA-650 kullanılmıştır. Çalışma kapsamında, derin öğrenme tabanlı farklı evrişimsel sinir ağı (CNN) mimarileri ile meta-sezgisel bir optimizasyon yöntemi olan Balina Optimizasyon Algoritması (WOA) birlikte kullanılmıştır. DenseNet121, DenseNet169, ResNet101V2, InceptionResNetV2 ve EfficientNetB7 mimarileri transfer öğrenme yaklaşımıyla glokom sınıflandırma problemine uyarlanmıştır. Modellerin sınıflandırma performansını artırmak ve en uygun hiperparametre kombinasyonlarını belirlemek amacıyla WOA algoritması kullanılmıştır. Önerilen yöntemler; doğruluk, duyarlılık, kesinlik, F1-skoru ve ROC eğrisi altında kalan alan (AUC) gibi performans metrikleri kullanılarak karşılaştırmalı olarak değerlendirilmiştir. Deneysel bulgular, özellikle ResNet101V2 ve DenseNet169 modellerinin glokom–normal sınıflandırmasında daha başarılı sonuçlar ürettiğini ortaya koymuştur. Sonuç olarak, bu tez çalışması fundus görüntülerine dayalı glokom tespiti alanında derin öğrenme ve sezgisel optimizasyon algoritmalarının birlikte kullanımının uygulanabilirliğini ortaya koymakta ve literatüre karşılaştırmalı bir değerlendirme sunmaktadır.
Özet (Çeviri)
Glaucoma is one of the leading causes of irreversible blindness worldwide, and its diagnosis remains challenging due to the lack of prominent clinical symptoms in the early stages of the disease. This necessitates the development of reliable and automated computer-aided diagnosis systems that enable early and accurate detection of glaucoma through fundus image analysis. In recent years, deep learning–based approaches have gained significant attention by achieving high accuracy rates in glaucoma detection from fundus images. In this thesis, the ORIGA-650 dataset, which is widely used as a reference benchmark in glaucoma research, is employed for the automated detection of glaucoma from fundus images. The proposed framework integrates various convolutional neural network (CNN) architectures with a metaheuristic optimization technique known as the Whale Optimization Algorithm (WOA) to enhance classification performance. Within the scope of the study, DenseNet121, DenseNet169, ResNet101V2, InceptionResNetV2, and EfficientNetB7 architectures are adapted to the glaucoma classification task using a transfer learning approach. The WOA algorithm is utilized to optimize hyperparameter configurations in order to improve model performance. The proposed methods are comparatively evaluated using performance metrics such as accuracy, recall, precision, F1-score, and AUC, the area under the receiver operating characteristic (ROC) curve. Experimental findings indicate that ResNet101V2 and DenseNet169 models achieve superior performance in glaucoma–normal classification compared to the other architectures. Overall, this thesis demonstrates the applicability and effectiveness of combining deep learning models with heuristic optimization algorithms for fundus image–based glaucoma detection and provides a comprehensive comparative evaluation that contributes to the existing literature.
Benzer Tezler
- Derin öğrenme teknikleri ile fundus görüntülerinden glokom hastalığı tespiti
Detection of glaucoma from fundus images with deep learningtechniques
ÖZCAN YILDIRIM
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FEYZA ALTUNBEY ÖZBAY
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Glaucoma disease detection using image processing and machine learning approach
Görüntü işleme ve makine öğrenme yaklaşımıyla glokom hastalığının tespiti
HUSSEIN ALAA MOHAMMED ATTAR BASH
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. AYÇA KURNAZ TÜRKBEN
- Retina fundus bileşenlerinin görüntü işleme ve yapay öğrenme ile tanılama yöntemlerinin geliştirilmesi
Development of diagnostic methods of retina fundus components with image processi̇ng and artificial learning
BUKET TOPTAŞ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
- Konvolüsyonel sinir ağı modelleri ile fundus görüntülerinden glokom teşhisi
Diagnosis of glaucoma from fundus images with convolutional neural network models
QABAS ABDULRAZAQ KHALAF ALJUBORY
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiOndokuz Mayıs ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ERDEM