Diyabetik retinopati sınıfladırmasında derin öğrenme, transfer öğrenme ve model birleştirme yaklaşımları
Deep learning, transfer learning and model ensemble approaches in diabetic retinopathy classification
- Tez No: 1018157
- Danışmanlar: DOÇ. DR. KEMAL BALIKÇI, PROF. DR. UFUK BAL
- Tez Türü: Yüksek Lisans
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Derin öğrenme, Diabetik retinopati, Görüntü sınıflandırma, Topluluk öğrenme, Transfer öğrenimi, Deep learning, Diabetic retinopathy, Image classification, Ensemble learning, Transfer learning
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Osmaniye Korkut Ata Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Diyabetik retinopati, diyabetin mikrovasküler komplikasyonları arasında yer alan ve ileri evrelerinde görme kaybına yol açabilen önemli bir göz hastalığıdır. Mevcut tanı yöntemleri, retina fundus görüntülerinin uzman hekimler tarafından manuel olarak değerlendirilmesine dayanmaktadır. Literatürde diyabetik retinopatinin sınıflandırılmasına yönelik çalışmalarda çoğunlukla bireysel derin öğrenme mimarileri kullanılmış, veri setlerindeki sınıf dengesizliğinin ise model performansını olumsuz etkileyebildiği gösterilmiştir. Bu çalışmada, APTOS 2019 veri seti üzerinde diyabetik retinopatinin beş sınıflı otomatik sınıflandırılması için iki farklı yaklaşım incelenmiştir. İlk yaklaşımda, EfficientNetV2-L, SwinV2-B ve ConvNeXt-B modellerinden elde edilen sınıf olasılığı çıktıları meta-öğrenicilerde birleştirilerek karar düzeyinde istifleme tabanlı topluluk öğrenme yaklaşımı uygulanmıştır. İkinci yaklaşımda ise ConvNeXt-Base, Swin Transformer-Base ve EfficientNet-B5 modellerinden çıkarılan derin öznitelik vektörleri birleştirilerek öznitelik düzeyinde füzyon yaklaşımı kurulmuştur. Her iki yaklaşımda da ImageNet üzerinde önceden eğitilmiş ağırlıklar kullanılarak transfer öğrenmeden yararlanılmıştır. Karar düzeyinde istifleme tabanlı topluluk öğrenme çerçevesinde en yüksek performans, lojistik regresyon meta-öğrenicisi ile %84,72 doğruluk ve %70,00 F1-skor olarak elde edilmiştir. Öznitelik düzeyinde füzyon yaklaşımı ise test kümesinde %87,31 doğruluk, %75,08 F1-skor ve 0,9262 kuadratik ağırlıklı kappa değeri üretmiştir. Elde edilen bulgular, diyabetik retinopati sınıflandırmasında hem karar düzeyinde istifleme tabanlı topluluk öğrenme yaklaşımının hem de öznitelik düzeyinde füzyon yaklaşımının rekabetçi performans değerleri elde edilebileceğini göstermektedir.
Özet (Çeviri)
Diabetic retinopathy is a significant eye disease among the microvascular complications of diabetes that can lead to vision loss in its advanced stages. Current diagnostic methods rely on the manual evaluation of retinal fundus images by specialist physicians. Studies in the literature on the classification of diabetic retinopathy have predominantly used individual deep learning architectures, and it has been demonstrated that class imbalance in datasets can negatively impact model performance. In this study, two different approaches for the five-class automatic classification of diabetic retinopathy were investigated using the APTOS 2019 dataset. In the first approach, a decision-level stacking-based ensemble learning approach was applied by combining class probability outputs obtained from the EfficientNetV2-L, SwinV2-B, and ConvNeXt-B models within meta-learners. In the second approach, a feature-level fusion approach was established by combining deep feature vectors extracted from the ConvNeXt-Base, Swin Transformer-Base, and EfficientNet-B5 models. In both approaches, transfer learning was utilized by employing weights pre-trained on ImageNet. Within the decision-level stacking-based ensemble learning framework, the highest performance was achieved using a logistic regression meta-learner, yielding an accuracy of 84.72% and an F1-score of 70.00%. The feature-level fusion approach, meanwhile, produced an accuracy of 87.31%, an F1-score of 75.08%, and a quadratic-weighted kappa value of 0.9262 on the test set. The findings demonstrate that both the decision-level stacking-based ensemble learning approach and the feature-level fusion approach can achieve competitive performance metrics in the classification of diabetic retinopathy.
Benzer Tezler
- Diyabetik retinopati teşhisi için derin öğrenme tabanlı sınıflandırma analizi
Deep learning based classification analysis for diabetic retinopathy diagnosis
DİLAN BUDAK
Yüksek Lisans
Türkçe
2024
Yönetim Bilişim SistemleriAksaray ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. RAHMİ BAKİ
DOÇ. DR. KEMAL ADEM
- 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
- The Implementation of Ensemble Voting in Deep Neural Networks for the Automated Classification of Diabetic Retinopathy
Diabetik Retinopatinin Otomatik Siniflandirilmasi Için Derin Sinir Ağlarinda Ensemble Oylama Yaklaşiminin Uygulanmasi
MOTHNA MEZHER ALRUBAYE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAMZA OSMAN İLHAN
- Deep learning based adaptive resizing of high resolution images for improved segmentation performance
Gelişmiş segmentasyon performansı için yüksek çözünürlüklü görüntülerin derin öğrenme tabanlı uyarlanabilir yeniden boyutlandırılması
EKREM FİDAN
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİzmir Yüksek Teknoloji EnstitüsüElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDURRAHMAN GÜMÜŞ
- Yapay zeka ile diyabetik retinopati tespiti
Diabetic retinopathy detection with artificial intelligence
RAVAN JARJANAZI
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. HAYDAR ÖZKAN