Geri Dön

Görüntü işleme ve makine öğrenmesine dayalı diyabetik retinopati hastalığı teşhisi ve sınıflandırılması

The diagnosis and classification of diabetic retinopathy disease based on image processing and machine learning

  1. Tez No: 482374
  2. Yazar: KEMAL ADEM
  3. Danışmanlar: DOÇ. DR. MAHMUT HEKİM
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mekatronik Mühendisliği, Computer Engineering and Computer Science and Control, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: Türkçe
  9. Üniversite: Gaziosmanpaşa Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 134

Özet

Bu tezde, oftalmologların teşhis işlerini kolaylaştırma ve zaman kaybının önlenmesi için diyabetik retinopati hastalığının otomatik teşhisi ve sınıflandırılmasına odaklanılmıştır. Bu amaç için, retina görüntülerindeki anatomik yapılar olan optik disk ve damar bölgelerinin tespit edilerek görüntüden göz ardı edilmesi sağlanmıştır. Optik disk tespiti için sırasıyla HSV renk uzayı, adaptif histogram eşitleme, Gama dönüşümü, Canny kenar bulma algoritması ve çembersel Hough dönüşümü, damar bölütlemesi için ise sırasıyla RGB renk uzayı, adaptif histogram eşitleme, Gabor ve Top-hat dönüşümü yöntemleri uygulanmıştır. Anatomik bölgelerin tespit edilerek retina görüntüsünden göz ardı edilmesinden sonra eksuda ve hemoraji lezyonlarının tespit edilmesi için manüel eşikleme ve ateşböceği / parçacık sürü optimizasyonu temelli iteratif eşikleme yöntemleri kullanılmıştır. Eşikleme yöntemleri sonucu eksudalı toplam piksel sayısı, eksudalı bölge sayısı, hemorajili toplam piksel sayısı ve hemorajili bölge sayısından oluşan öznitelik veri seti doğrusal regresyon, çok katmanlı algılayıcı, çapsal tabanlı fonksiyon sinir ağı ve destek vektör makinesi temelli sınıflayıcılara giriş olarak kullanılarak diyabetik retinopati teşhisi ve sınıflandırılması gerçekleştirilmiştir. Sınıflandırma doğruluğu açısından sınıflayıcı performanslarını değerlendirmek için farklı kombinasyonlar kullanılarak farklı deneyler yapılmıştır. Gerçekleştirilen deneyler parçacık sürü optimizasyonu temelli destek vektör makinesi yaklaşımın ateşböceği temelli olan yaklaşımlardan daha yüksek toplam doğru sınıflandırma başarı oranlarına ulaştığını göstermiştir. Sonuç olarak, hasta yoğunluğundan dolayı yaşanabilecek muhtemel karışıklıkların önüne geçerek oftalmologlara ön-tanı imkanı veren teşhis destek sisteminin gerçekleştirilmesi sağlanmıştır.

Özet (Çeviri)

In this study, we focus on the automatic diagnosis and classification of diabetic retinopathy disease in order to facilitate diagnostic work of ophthalmologists and prevent time loss. For this aim, the optic disc and vein areas which are the anatomical structures of the retinal images are detected and removed from the image. For optic disk detection, HSV color space, adaptive histogram equalization, Gamma transformation, Canny edge detection algorithm and the circle Hough transform were used respectively. Then, RGB color space, adaptive histogram equalization, Gabor and Top-Hat transformations are applied for vein segmentation, respectively. After anatomic regions are detected and then removed from the retinal image, manual thresholding and iterative thresholding methods based on firefly/particle swarm optimization are used for the detection of exudate and hemorrhagic lesions. Then, the diagnosis and classification of diabetic retinopathy are implemented by using the feature dataset which consists of the total pixel counts of exudate and hemorrhage, and the numbers of exudate and hemorrhagic regions as inputs into the linear regression, multilayer perceptron, radial basis function and support vector machine based classifiers. In order to evaluate their performances in terms of classification accuracy, different experiments are implemented using different combinations of the total pixel counts of exudate and hemorrhage, and the numbers of exudate and hemorrhagic regions. The experiments show that that the support vector machine-based approach with particle swarm optimization achieves higher total correct classification success rates than the firefly and support vector machine-based approaches for all used classifier models. Finally, this thesis offers a diagnostic support system to be used by ophthalmologists, which avoids potential confusions occurring due to patient overcrowding.

Benzer Tezler

  1. 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

  2. Diyabetik retinopatinin gerçek zamanlı tespiti için karar destek sistemi

    A decision support system for diabetic retinopathy's real-time detection

    KEMAL AKYOL

    Doktora

    Türkçe

    Türkçe

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ŞAFAK BAYIR

  3. Optik koherens tomografisi görüntüleri kullanarak evrişimsel sinir ağı tabanlı retinal hastalık tespiti

    Convolutional neural network based retinal disease detection via optical coherence tomography images

    İSMAİL KAYADİBİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Mühendislik BilimleriAfyon Kocatepe Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜR EMRE GÜRAKSIN

  4. Derin öznitelikler kullanılarak kiraz yapraklarında külleme hastalık seviyesinin sınıflandırılması

    Classification of level of powdery mildew disease on cherry leaves using deep attributes

    HATİCE KAYHAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAmasya Üniversitesi

    Teknoloji ve İnovasyon Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YAVUZ ÜNAL

    DR. ÖĞR. ÜYESİ EMRAH DÖNMEZ

  5. Deep feature transfer from deep learning models into machine learning algorithms to classify COVID-19 from chest X-ray images

    Göğüs röntgeni görüntülerinden COVID-19 sınıflandırması yapmak amacıyla derin öğrenme modellerinden makine öğrenmesi algoritmalarına derin öznitelik aktarımı

    OZAN GÜLDALİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Matematikİstanbul Teknik Üniversitesi

    Matematik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜL İNAN