Cross population evaluation of deep learning models for diabetic retinopathy
Diyabetik retinopatide derin öğrenme modellerinin popülasyonlar arası değerlendirilmesi
- Tez No: 1016625
- Danışmanlar: PROF. DR. MUSTAFA ALPER SELVER
- Tez Türü: Yüksek Lisans
- Konular: Göz Hastalıkları, Mühendislik Bilimleri, Eye Diseases, Engineering Sciences
- Anahtar Kelimeler: Diabetik retinopati, Diabetic retinopathy
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Teknolojiler Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Teknolojiler Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışma, fundus fotoğraflarından refer edilebilir diyabetik retinopati (DR) saptanması için geliştirilen yapay zeka tabanlı bir sistemin genellenebilirliğini küresel ve yerel Türk veri setleri arasında değerlendirmiştir. Derin öğrenme tabanlı tarama çerçevesi, DDR, IDRiD ve Messidor veri setlerinin alt kümeleri ile birlikte Türkiye'de üçüncü basamak bir merkezden elde edilen yerel bir veri seti kullanılarak eğitilmiştir. Görüntüler, üç oftalmolog tarafından bağımsız olarak refer edilebilir veya refer edilemez DR olarak etiketlenmiştir. Beş omurga mimarisi—EfficientNet-B0, EfficientNet-V2, ResNet50, Swin V2 CR Small ve ConvNeXt-V2-Tiny—üç deneysel düzende değerlendirilmiştir: Küresel Eğitim–Küresel Test, Küresel Eğitim–Yerel Test ve Karma Eğitim–Karma Test. Küresel Eğitim–Küresel Test düzeninde, Swin V2 CR Small en yüksek tarama performansını (doğruluk 0,938; ROC–AUC = 0,985) göstermiş, onu ConvNeXt-V2-Tiny (ROC–AUC = 0,973) yakından takip etmiştir; EfficientNet-B0 ise en düşük duyarlılığı (0,673) sergilemiştir. Alan kaymasının bulunduğu Küresel Eğitim–Yerel Test düzeninde tüm modellerin performansı düşmüş; ancak ConvNeXt-V2-Tiny yüksek duyarlılığını (0,940) ve güçlü ayırt ediciliğini (ROC–AUC = 0,913) koruyarak üstün genellenebilirlik göstermiştir. Buna karşılık Swin V2 CR Small daha dengeli ancak azalmış bir performans sergilemiş, ResNet50 ve EfficientNet-V2 ise orta düzey sonuçlar elde etmiştir. Karma Eğitim–Karma Test düzeninde ConvNeXt-V2-Tiny en uygun tarama profilini (duyarlılık 0,939; ROC–AUC = 0,875) sürdürürken, Swin V2 CR Small yüksek özgüllüğü düşük duyarlılık (0,612) pahasına sağlamıştır. Genel olarak bu bulgular, DR tarama performansının mimariye güçlü biçimde bağlı olduğunu ve ConvNeXt-V2-Tiny'nin alan kayması koşullarında klinik olarak uygun bir profil sunduğunu göstermektedir.
Özet (Çeviri)
This study evaluated the generalizability of an artificial intelligence–based system for the detection of referable diabetic retinopathy (DR) from fundus photographs across global and local Turkish datasets. A deep learning–based screening framework was trained using subsets of the DDR, IDRiD, and Messidor datasets together with a locally acquired dataset from a tertiary center in Turkey. Images were independently labeled as referable or non-referable DR by three ophthalmologists. Five backbone architectures—EfficientNet-B0, EfficientNet-V2, ResNet50, Swin V2 CR Small, and ConvNeXt-V2-Tiny—were evaluated under three experimental settings: Global Train–Global Test, Global Train–Local Test, and Mixed Train–Mixed Test. Under the Global Train–Global Test setting, Swin V2 CR Small achieved the highest screening performance (accuracy 0.938; ROC–AUC = 0.985), followed closely by ConvNeXt-V2-Tiny (ROC–AUC = 0.973), while EfficientNet-B0 demonstrated the lowest sensitivity (0.673). When evaluated under domain shift in the Global Train–Local Test setting, performance declined across all models; however, ConvNeXt-V2-Tiny exhibited superior generalizability by preserving high sensitivity (0.940) and strong discriminative ability (ROC–AUC = 0.913). In contrast, Swin V2 CR Small showed a more balanced but reduced performance, and ResNet50 and EfficientNet-V2 achieved moderate results. In the Mixed Train–Mixed Test setting, ConvNeXt-V2-Tiny maintained the most favorable screening profile (sensitivity 0.939; ROC–AUC = 0.875), whereas Swin V2 CR Small achieved high specificity at the expense of sensitivity (0.612). Overall, these findings demonstrate that DR screening performance is strongly architecture-dependent and suggest that ConvNeXt-V2-Tiny provides a clinically suitable profile under domain shift conditions.
Benzer Tezler
- Türkiye elektrik tüketiminin makine öğrenmesi yöntemleri ile tahmini
Prediction of electricity consumption in turkiye with machine learning methods
DENİZ HERSEK
Yüksek Lisans
Türkçe
2024
İstatistikYıldız Teknik Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. GÜLHAYAT GÖLBAŞI ŞİMŞEK
- Makine öğrenme algoritmaları ile su tüketim miktarlarının tahmini: Kocaeli örneği
Estimation of water consumption amounts using machine learning algorithms: The case study of Kocaeli
KASIM GÖRENEKLİ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. ALİ GÜLBAĞ
- Güçlendirilmiş sezgisel üstü algoritma temelli makine öğrenme algoritmaları ile veri sınıflandırma stratejileri
Data classi̇fi̇cati̇on strategi̇es usi̇ng enhanced metaheuri̇sti̇c-based machi̇ne learni̇ng algori̇thms
BEYTULLAH YAĞIZ
Doktora
Türkçe
2026
İstatistikVan Yüzüncü Yıl Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. YENER ALTUN
DOÇ. DR. ERDAL EKER
- Geri dönüştürülebilir atıkların derin öğrenme modelleri ile sınıflandırılması: Veri seti boyutunun etkisi üzerine bir karşılaştırma
Classification of recyclable wastes with deep learning models: A comparison on the effect of dataset size
GAMZE AĞIRTAŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERAP ÇAKAR KAMAN
- Açı temelli öznitelik çıkarımı ile üst vücut postür sınıflandırması
UPPER-BODY POSTURE CLASSIFICATION USING ANGLE-BASED FEATURE EXTRACTION
RABİA AYŞE GÜZEL
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL ÖZTEL