Geri Dön

Grad-cam ile modüle edilmiş dikkat mekanizmasına sahip görsel dönüştürücü kullanılarak optik koherens tomografi (OCT) görüntülerinden göz hastalıklarının sınıflandırılması

Classification of eye diseases from optical coherence tomography (OCT) images using a vision transformer with Grad-CAM modulated attention mechanism

PDF İndir

  1. Tez No: 1015619
  2. Yazar: AHMET BAYRAM
  3. Danışmanlar: DOÇ. DR. OSMAN TAYFUN BİŞKİN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Burdur Mehmet Akif Ersoy Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektrik Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışmasında, görme kaybına yol açabilen yedi farklı retinal durumun Optik Koherens Tomografi (OCT) görüntüleri üzerinden derin öğrenme yöntemleriyle otomatik olarak sınıflandırılması hedeflenmiştir. Görme duyusu, bireylerin yaşam kalitesini doğrudan etkileyen en temel fonksiyonlardan biridir. Ancak dünya genelinde artan yaşlı nüfus ve değişen yaşam koşulları, retinal hastalıkların görülme sıklığında ciddi bir artışa neden olmaktadır. Kliniklerde elde edilen OCT görüntülerinin sayısının her geçen gün artması, oftalmologların sınırlı zaman içerisinde bu verileri manuel olarak analiz etmesini zorlaştırmakta ve yorgunluğa bağlı hata riskini artırarak sağlık sistemi üzerinde büyük bir iş yükü oluşturmaktadır. Bu zorlukların aşılması amacıyla, tıbbi görüntü analizinde güçlü bir yardımcı araç olan evrişimsel sinir ağları (ESA) ve transformerlar kullanılarak metodolojik bir çerçeve sunulmuştur. Çalışmada, gerçek dünya klinik koşullarını yansıtan ve sınıf dağılımı açısından dengesiz olan OCTDL veri seti tercih edilmiştir. Metodolojik güvenilirliği sağlamak ve literatürdeki veri sızıntısı problemini önlemek amacıyla, veriler görüntüler üzerinden değil, hasta kimlikleri üzerinden 5-Katlı çapraz doğrulama yöntemi uygulanmıştır. Performans karşılaştırması yapılan VGG16, ResNet101, Xception, ViT ve Grad-CAM ısı haritaları ile modelin dikkatini lezyon bölgelerine odaklanması için geliştirilen Grad-CAM Modulated ViT (GCM-ViT) kullanılmıştır. Bu mimariler için 3 farklı eğitim stratejisi uygulanmıştır. Tek aşamalı SCCE, tek aşamalı SFL ve iki farklı kayıp fonksiyonu kullanan iki aşamalı bir hibrit strateji geliştirilmiştir. Bu stratejiler sonucunda, tek aşamalı SCCE ile eğitilen GCM-ViT 0,9291 doğruluk oranı ve 0,9895 AUC değerine ulaşarak en yüksek başarıyı yakalamıştır.

Özet (Çeviri)

In this thesis study, it was aimed to automatically classify seven different retinal conditions that can lead to vision loss from Optical Coherence Tomography (OCT) images using deep learning methods. The sense of vision is one of the most fundamental functions that directly affects individuals' quality of life. However, the increasing elderly population worldwide and changing living conditions cause a serious increase in the prevalence of retinal diseases. The increasing number of OCT images obtained in clinics day by day makes it difficult for ophthalmologists to manually analyze these data within a limited time and creates a great workload on the healthcare system by increasing the risk of fatigue-related errors. In order to overcome these difficulties, a methodological framework was presented using convolutional neural networks (CNNs) and transformers, which are powerful auxiliary tools in medical image analysis. In the study, the OCTDL dataset, which reflects real-world clinical conditions and is imbalanced in terms of class distribution, was preferred. In order to ensure methodological reliability and prevent the data leakage problem in the literature, 5-fold cross-validation was applied over patient identities, not over images. VGG16, ResNet101, Xception, ViT, and Grad-CAM Modulated ViT (GCM-ViT), which was developed using Grad-CAM heat maps to focus the model's attention on lesion regions, were used for performance comparison. Three different training strategies were applied for these architectures. A single-stage SCCE, a single-stage SFL, and a two-stage hybrid strategy using two different loss functions were developed. As a result of these strategies, GCM-ViT trained with single-stage SCCE achieved the highest success by reaching an accuracy rate of 0.9291 and an AUC value of 0.9895.

Benzer Tezler

  1. Tez No

    759996

    Derin öğrenme ile cerrahi video anlama

    Surgical video understanding with deep learning

    ABDISHAKOUR ABDILLAHI AWALE ABDISHAKOUR ABDILLAHI AWALE

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ DUYGU SARIKAYA

  2. Tez No

    958875

    Multi-label classification of 12-lead ECG signal using a mixture-of-experts transformer model

    Uzmanların karışımı bazlı dönüştürücü modeli ile 12 kanallı EKG sinyalinin çok etiketli sınıflandırılması

    ATALAY ÇELİK

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Veri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

  3. Tez No

    1015621

    Farklı arka plan sahnelerine sahip sentetik açıklıklı radar (SAR) görüntülerinin açıklanabilir yapay zeka ve derin öğrenme özniteliklerinin füzyonu ile sınıflandırılması

    Classification of synthetic aperture radar (SAR) images with different background scenes by fusion of explainable artificial intelligence and deep learning features

    HAFİZE BULUT

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik MühendisliğiBurdur Mehmet Akif Ersoy Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OSMAN TAYFUN BİŞKİN

  4. Tez No

    975997

    Skin lesion classification via hybrid localization-explainability approaches

    Hibrit lokalizasyon-açıklanabilirlik yaklaşımları ile deri lezyonu sınıflandırması

    HUMAM ABUALKEBASH

    Doktora

    İngilizce

    İngilizce

    2025

    Mekatronik MühendisliğiKocaeli Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN METİN ERTUNÇ

  5. Tez No

    903949

    End-to-end tire defect detection model based on machine and deep learning techniques

    Makine ve derin öğrenme tekniklerine dayalı uçtan uca lastik arıza tespit modeli

    RADHWAN ALI ABDULGHANI SALEH

    Doktora

    İngilizce

    İngilizce

    2024

    Mekatronik MühendisliğiKocaeli Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN METİN ERTUNÇ

Geri Dön