Geri Dön

Diyabetik retinopati teşhisinde geliştirilmiş U-net ve ViT tabanlı hibrit bir bölütleme ve sınıflandırma yaklaşımı

A hybrid segmentation and classification approach based on enhanced U-net and ViT for diabetic retinopathy diagnosis

PDF İndir

  1. Tez No: 1017238
  2. Yazar: RAMAZAN İNCİR
  3. Danışmanlar: DOÇ. DR. FERHAT BOZKURT
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: diyabetik retinopati evre sınıflandırması, segmentasyon, metasezgisel optimizasyon, vision transformer, derin öğrenme, makine öğrenmesi, diabetic retinopathy stage classification, segmentation, metaheuristic optimization, vision transformer, deep learning, machine learning
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Bu tez çalışmasının amacı, fundus görüntülerinden diyabetik retinopatiye (DR) ait lezyonları bölütleme (segmentasyon) yoluyla doğru bir şekilde belirleyebilen ve elde edilen lezyon temelli bilgileri kullanarak hastalığın evresini sınıflandırabilen bütünleşik bir derin öğrenme tabanlı sistem geliştirmektir. Bu kapsamda, lezyon segmentasyonu ile evre sınıflandırması arasında etkili bir bilgi akışı kurulması hedeflenmiştir. Böylece modelin hastalık açısından kritik patolojik bölgelere odaklanması ve küçük boyutlu, düşük kontrastlı lezyonları daha etkili şekilde tesbit etmesi amaçlanmaktadır. Ayrıca, optik disk (OD) kaynaklı yanlış pozitiflerin azaltılması ve veri dengesizliğinin model performansı üzerindeki olumsuz etkisinin en aza indirilmesi hedeflenmiştir. Yöntem: DR'ye yönelik lezyon ve OD segmentasyonu ile hastalık evre sınıflandırması için göz hastalıkları uzmanlarınca doğrulanmış veri kümesi ile APTOS, IDRiD ve DRISHTI-GS veri kümeleri üzerinde iki aşamalı bütünleşik bir yaklaşım uygulanmıştır. Segmentasyon aşamasında OD ve lezyon bölgelerinin belirlenmesi amacıyla geliştirilmiş U-Net tabanlı mimari, artırılmış derinlik, artık bağlantılar ve ek konvolüsyon blokları gibi çok yönlü stratejilerle zenginleştirilmiştir. Küçük ve düşük kontraslı lezyonları belirginleştirmek amacıyla pencereleme temelli ön işleme uygulanmış, OD kaynaklı yanlış pozitifleri azaltmaya yönelik bir yaklaşım geliştirilmiştir. Model hiperparametreleri meta sezgisel optimizasyon yöntemi olan Harmoni Arama Algoritması (HSA) kullanılarak belirlenmiştir. Sınıflandırma aşamasında ise segmentasyon çıktılarından elde edilen lezon tabanlı ağırlık haritaları fundus görüntülerine aktarılarak kullanılmıştır. Bu şekilde zenginleştirilen giriş verileri üzerinde CBAM ile güçlendirilmiş Görsel Dönüştürücü (ViT) tabanlı mimarinin performansı incelendi. Ayrıca ViT'den elde edilen öznitelikler, GCN ve makine öğrenmesi sınıflandırıcıları kullanılarak çok sınıflı evre sınıflandırmasındaki performansları karşılaştırılmıştır. Bulgular: Önerilen yaklaşımın, OD ve lezyon segmentasyonunda başarılı sonuçlar verdiği görülmüştür. Özellikle küçük, dağınık ve düşük kontrastlı lezyonların belirlenmesinde iyileşme sağlanmıştır. OD kaynaklı yanlış pozitiflerin azaldığı gözlemlenmiştir. Meta sezgisel optimizasyon sürecinin segmentasyon performansına olumlu katkı sunduğu görülmüştür. Sınıflandırma aşamasında, segmentasyon çıktılarıyla zenginleştirilen görüntüler üzerinde ViT-CBAM tabanlı yapı kullanılmıştır. Bu yapının GCN ve makine öğrenmesi algoritmaları ile kullanılmasının sınıflandırmaya katkı sunduğu değerlendirilmiştir. Sonuç: Bu çalışmada geliştirilen bütünleşik yapının DR'ye ait lezyonların belirlenmesi ve hastalık evresinin sınıflandırılmasında etkili olduğu sonucuna varılmıştır. Elde edilen sonuçlar, modelin erken tanı sistemlerinde ve klinik karar destek yapılarında kullanılabilecek nitelikte olduğunu göstermiştir.

Özet (Çeviri)

Purpose: The aim of this thesis is to develop an integrated deep learning based system that can accurately identify diabetic retinopathy (DR) lesions from fundus images through segmentation and classify the stage of the disease by using the obtained lesion based information. Within this scope, it is intended to establish an effective flow of information between lesion segmentation and stage classification. In this way the model is aimed to focus on pathological regions that are critical for the disease and to detect small sized, low contrast lesions more effectively. In addition it is aimed to reduce false positives originating from the optic disc (OD) and to minimize the negative impact of data imbalance on model performance. Method: A two stage integrated approach was applied for lesion and OD segmentation and disease stage classification for DR on an expert validated dataset as well as the APTOS, IDRiD and DRISHTI-GS datasets. In the segmentation stage, the U-Net based architecture improved to identify OD and lesion regions was enriched with multifaceted strategies such as increased depth, residual connections, and additional convolution blocks. In order to make small and low contrast lesions more prominent, windowing based preprocessing was applied, and an approach was developed to reduce false positives originating from the OD. Model hyperparameters were determined using Harmony Search Algorithm (HSA), a metaheuristic optimization method. In the classification stage, lesion based weight maps obtained from the segmentation outputs were transferred to and used the fundus images. On the input data enriched in this way the performance of the vision transformer (ViT) based architecture enhanced with CBAM was examined. In addition, the features obtained from ViT were used with GCN and different machine learning classifiers and their performances in multiclass stage classification were compared. Findings: It was observed that the proposed approach produced successful results in OD and lesion segmentation. In particular improvement was achieved in the identification of small, scattered, and low contrast lesions. A reduction in false positives originating from the OD was observed. It was seen that the metaheuristic optimization process made a positive contribution to segmentation performance. In the classification stage ViT-CBAM based structure was used on images enriched with segmentation outputs. It was evaluated that the use of this structure together with GCN and machine learning algorithms contributed to classification. Results: It was concluded that the integrated structure developed in this study is effective in identifying DR lesions and classifying stage of disease. The obtained results showed that the model is of quality that can be used in early diagnosis systems and clinical decision support structures.

Benzer Tezler

  1. Tez No

    335507

    Diyabetik retinopati tespitinde yeni bir algoritma kullanılarak optik disk yerinin kestirimi

    The estimation of optic disc location via a novel algortihm for diabetic retinopathy detection

    MEHMET NERGİZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    Elektrik ve Elektronik MühendisliğiDicle Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET AKIN

  2. Tez No

    919528

    Yapay zeka ile diyabetik retinopati tespiti

    Diabetic retinopathy detection with artificial intelligence

    RAVAN JARJANAZI

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    PROF. DR. HAYDAR ÖZKAN

  3. Tez No

    865069

    Diabetic retinopathy detection using artificial intelligence

    Diyabetik retinopati tespiti yapay zeka kullanmak

    MOHAMED ASHRAF SAMY TANTAWY ELSERWY

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ OKATAN

  4. Tez No

    895505

    Diabetic retinopathy classification with using deep learning

    Derin öğrenme ile diyabetik retinopati sınıflandırılması

    MEHMET ALPER ŞAHİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Veri Mühendisliği ve İş Analitiği Ana Bilim Dalı (disiplinlerarası)

    DOÇ. DR. ÖMER FARUK BEYCA

  5. Tez No

    768890

    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

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

Geri Dön