Geri Dön

Yapay zeka desteği ile horizontal kaymaların tespiti ve kayma açısının hesaplanması

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 1018664
  2. Yazar: MERVE UMUR
  3. Danışmanlar: PROF. DR. LEYLA ŞAHİN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Göz Hastalıkları, Eye Diseases
  6. Anahtar Kelimeler: Şaşılık, Ezotropya, Ekzotropya, Yapay Zeka, Görüntü İşleme, Strabismus, Esotropia, Exotropia, Artificial Intelligence, Image Processing
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Ondokuz Mayıs Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Göz Hastalıkları Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

ÖZET Amaç: Bu tezde, tek frontal yüz görüntüsünden şaşılığın otomatik değerlendirilmesine yönelik iki tamamlayıcı yaklaşım geliştirilmiştir: ilki yapay zeka (YZ) desteği ile göz bölgesinden şaşılık varlığını ve kayma yönünü tahmin eden model geliştirmek ikincisi görüntü işleme algoritması ile korneal ışık refleksi–iris merkezi ilişkisine dayalı olarak kayma açısının prizma diyoptri (PD) cinsinden nicel hesaplanması. Gereç ve Yöntem: Şaşılık sınıflandırması için, klinik olarak etiketlenmiş 1626 adet frontal yüz fotoğrafından oluşan veri seti ile derin öğrenme tabanlı 18 adet konvolüsyonel sinir ağı mimarisi eğitilmiş ve sonuçları karşılaştırılmıştır. Açı hesaplama bölümünde ise algoritma geliştirme için prospektif olarak tek bir göz hastalıkları uzmanı tarafından standart koşullarda çekilen 161 adet frontal yüz fotoğrafı çalışmaya dahil edilmiştir. Geliştirilen görüntü işleme temelli sistem, tek kare üzerinden iris merkezini ve korneal ışık refleksini otomatik belirleyerek yatay yer değiştirmeyi hesaplamış; kalibre edilmiş mm/piksel katsayısı ile bu değeri klinik açıya dönüştürmüştür. Referans yöntem olarak prizma alternan kapama testi (PAKT) ile gözlüksüz ve yakın mesafe ölçümler alınmıştır. Algoritma tahmini, PAKT ile mutlak farkının ±5 PD sınırlar içinde olması koşuluyla doğru kabul edilmiştir. Bulgular: Şaşılık tipinin sınıflandırılmasına yönelik eğitilen modeller arasında en yüksek performans DenseNet161 mimarisinde elde edilmiştir. DenseNet161 için test setindeki sonuçlar; 0,946 (%95 GA: 0,936–0,955) doğruluk, 0,920 (%95 GA: 0,906–0,934) duyarlılık, 0,968 (%95 GA: 0,962–0,974) özgüllük, 0,946 (%95 GA: 0,936–0,956) kesinlik ve 0,932 (%95 GA: 0,922–0,941) F1-skoru olarak saptanmıştır. Açı hesaplama algoritmasında ±5 PD sınırlar içinde doğruluk %77,4 olarak bulunmuştur. PD'ye göre oluşturulan beş grupta başarı oranları farklılık gösterse de, gruplar arası genel karşılaştırmada istatistiksel olarak anlamlı bir fark bulunmamıştır (global p=0,212). Algoritma ile PAKT arasındaki tek ölçüm için sınıf içi korelasyon katsayısı (SİKK) 0,908 (%95 güven aralığı: 0,877–0,932; p<0,001), ortalama ölçümler için SİKK ise 0,952 (%95 güven aralığı: 0,934–0,965; p<0,001) saptanmıştır. Bland–Altman analizinde ortalama fark (bias) 0,6957 PD olup istatistiksel olarak anlamlı bir sistematik sapma izlenmemiş; %95 uyum sınırları −11,59 ile 12,98 PD arasında hesaplanmıştır. Sonuç: Tek frontal görüntüye dayalı, derin öğrenme temelli şaşılık tahmini yapan model yüksek performans göstermiştir. Ayrıca kayma açısını ölçmek için geliştirilen düşük maliyetli ve tam otomatik algoritma, PAKT ile yüksek düzeyde uyum göstermiş; özellikle tarama ve ön değerlendirme senaryolarında klinik olarak kullanılabilir bir potansiyel sunmuştur.

Özet (Çeviri)

ABSTRACT Objective: This thesis presents two complementary approaches for the automated evaluation of strabismus from a single frontal face image. The first approach involves developing an artificial intelligence (AI)–based model to predict the presence and direction of ocular deviation from the periocular region. The second approach consists of a quantitative image-processing algorithm that calculates the angle of deviation in prism diopters (PD) based on the relationship between the corneal light reflex and the iris center. Materials and Methods: For strabismus classification, eighteen deep learning–based convolutional neural network architectures were trained and comparatively evaluated using a clinically labeled dataset comprising 1,626 frontal facial photographs. For the angle estimation component, 161 frontal facial photographs, prospectively acquired under standardized conditions by a single ophthalmology specialist for algorithm development, were included in the study. The developed image processing–based system automatically identified the iris center and corneal light reflex from a single image frame, calculated the horizontal displacement, and converted this value into a clinical deviation angle using a calibrated millimeter-per-pixel coefficient. As the reference standard, prism alternate cover test (PACT) measurements were obtained at near fixation without spectacles. The algorithmic estimate was considered accurate when the absolute difference from the PACT measurement was within ±5 prism diopters (PD). Results: Among the models trained for strabismus type classification, the highest performance was achieved with the DenseNet161 architecture. In the test set, DenseNet161 achieved an accuracy of 0.946 (95% CI: 0.936–0.955), sensitivity of 0.920 (95% CI: 0.906–0.934), specificity of 0.968 (95% CI: 0.962–0.974), precision of 0.946 (95% CI: 0.936–0.956), and F1-score of 0.932 (95% CI: 0.922–0.941). For the angle estimation algorithm, the accuracy within ±5 prism diopters (PD) was 77.4%. Although success rates varied across the five PD-based groups, no statistically significant difference was observed in the overall comparison between groups (global p = 0.212). The intraclass correlation coefficient (ICC) between the algorithm and the prism alternate cover test (PACT) was 0.908 for single measurements (95% confidence interval [CI]: 0.877–0.932; p < 0.001) and 0.952 for average measurements (95% CI: 0.934–0.965; p < 0.001). In the Bland–Altman analysis, the mean difference (bias) was 0.6957 PD, indicating no statistically significant systematic deviation, and the 95% limits of agreement ranged from −11.59 to 12.98 PD. Conclusion: The deep learning–based strabismus classification model demonstrated high performance using a single frontal image. In addition, the fully automated and low-cost angle estimation algorithm showed strong agreement with PACT, indicating its potential clinical applicability, particularly in screening and preliminary evaluation settings.

Benzer Tezler

  1. Tez No

    712188

    Yapay zekâ desteği ile mikro sigortalama sistemi için blok zinciri uygulaması

    Blockchain application with artificial intelligence support for micro insurance system

    ARZU KİLİTCİ CALAYIR

    Doktora

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi

    Enformatik Ana Bilim Dalı

    PROF. DR. SELİM YAZICI

  2. Tez No

    1005824

    Yapay zeka desteği ile oluşturulan görsellerin metinlerden anlam kurmaya etkisi

    The effect of artificial intelligence-assisted images on constructing meaning from texts

    EMİNE YARGI

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Eğitim ve ÖğretimYıldız Teknik Üniversitesi

    Temel Eğitim Ana Bilim Dalı

    PROF. DR. MUSTAFA BAŞARAN

  3. Tez No

    1021033

    Yapay zekâ desteği ile hazırlanan oyunlaştırılmış iş sağlığı ve güvenliği eğitiminin akademik başarıya, bağlılığa ve motivasyona etkisi

    The effect of athe effect of ai-supported gamified occupational health and safety education on academic achievement, engagement, and motivationi-supported gamified occupational health and safety education on academic achievement, engagement, and motivation

    MEHMET KARA

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Eğitim ve ÖğretimAydın Adnan Menderes Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    DOÇ. TANER ARABACIOĞLU

  4. Tez No

    835698

    Twitter örneği üzerinden yapay zeka desteği ile sosyal mecralarda sahte hesap analizi

    Bot account analysis on social media with artificial intelligence support on twitter example

    REFİK SÖYLEMEZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Ticaret Üniversitesi

    Bilgisayar Ana Bilim Dalı

    DR. ALİ BOYACI

  5. Tez No

    950008

    Meme kanserli hastalarda neoadjuvan tedaviye yanıtın, tedavi öncesi ve sonrası dinamik meme manyetik rezonans görüntüleme (MRG) kullanılarak derin öğrenme modeli yapay zeka desteği ile değerlendirilmesi ve radyolog bakısı ile kıyaslanması

    Başlık çevirisi yok

    SERHAT DEGER

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpSağlık Bakanlığı

    Radyoloji Ana Bilim Dalı

    PROF. DR. ZEHRA HİLAL ADIBELLİ

    UZMAN AHMET BOZER

Geri Dön