Geri Dön

A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy

Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli

PDF İndir

  1. Tez No: 768890
  2. Yazar: ÖMER FARUK GÜRCAN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
  4. Tez Türü: Doktora
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 142

Özet

Diyabet, pankreasın yeterli insülin üretememesi veya üretilen insülinin etkisinin yetersiz kalması, etkili şekilde kullanılamaması sonucu kan şekerinin artmasıyla sonuçlanan bir hastalıktır. Uluslararası Diyabet Federasyonu 2021 raporuna göre dünya genelinde yaşları 20 ile 79 arasında değişen yaklaşık 537 milyon yetişkin diyabetle yaşamaktadır. Diyabetli sayısının 2030'da 643 milyona ve 2045'te ise 783 milyona çıkacağı tahmin edilmektedir. Diyabetli yetişkinlerin %75'i düşük ve orta gelirli ülkelerde yaşamaktadır. Diyabetle yaşayan yaklaşık her iki yetişkinden biri (240 milyon hasta) teşhisi konulmamış halde yaşamaktadır. 2021 yılında diyabete bağlı yaklaşık 6.7 milyon ölüm gerçekleşti. Bu hastalık en az 966 milyar dolarlık sağlık harcamasına neden oldu. Yaşları 0-19 arasında değişen çoçuk ve gençler açısından bakılacak olursa 1.2 milyondan fazla tip 1 diyabetli vardır. Altı canlı doğumdan biri hamilelik sırasında diyabetten etkinemektedir. 541 milyon yetişkin, tip 2 diyabetli olma riski altındadır. Diyabetik retinopati (DR), diyabetli kişilerde görme kaybı ve körlüğe neden olabilen bir göz rahatsızlığıdır. Günümüzde körlüğe neden olan hastalıkların başında gelmektedir. Herhangi bir diyabet türü olan herkes DR olabilir. Oftalmolojide, tip 2 diyabet beş yıldan fazla tedavi edilmediğinde, DR yol açabilir. Tip 2 diyabet, vücudun insülinin etkisiz kullanımından kaynaklanır. Diyabetli kişilerin %95'inden fazlası tip 2 diyabetlidir. Bu tip diyabet, büyük ölçüde aşırı vücut ağırlığının ve fiziksel hareketsizliğin sonucudur. Tip 2 diyabet retina görüntülerinde bulunan semptomlarla teşhis edilebilir. Diyabete bağlı yüksek kan şekeri DR'ye yol açmaktadır. Zamanla kanda çok fazla şeker bulunması retinaya zarar verebilir. Diyabet, vücuttaki tüm damarlara zarar verir. Bu hastalığın göze verdiği zarar, şekerin retinaya giden kılcal damarları tıkayarak sıvı sızdırmasına veya daha ileri aşamada kanamasına neden olmasıyla başlar. Göz, tıkanan damarları telefi etmek için yeni damarlar oluşturur fakat yeni oluşan bu damarlar genellikle iyi çalışmaz, kolayca kanayabilir veya sızdırabilir. DR'nin erken evrelerinde genellikle herhangi bir semptom görülmez. İlk rahatsızlıklar olarak okuma veya uzaktaki nesneleri görme güçlüğü gibi değişiklikler olabilir. Hastalığın ileriki aşamalarında, retinadaki kan damarları vitreusa kanamaya başlar. Bu durumda hasta çeşitli noktalar, lekeler veya çizgiler görmeye başlayabilir. Bazen bu görüntüler kendiliğinden geçse de tedaviye erken başlanılması önemlidir. Tedaviye başlanmazsa kanama tekrarlayıp, daha kötü olabilir. DR diğer ciddi göz rahatsızlıklarına yol açabilir. Örneğin zamanla, diyabetli yaklaşık 15 kişiden birinde diyabetik makula ödemi gelişir. DR, retinada anormal kan damarlarının oluşmasına yol açabilir ve sıvının gözden dışarı çıkmasını engelleyebilir. Bu bir tür glokoma neden olur. Diyabet hastalarının yılda en az bir kere kapsamlı bir göz muayenesi yaptırması önemlidir. Diyabetin takibi; fiziksel olarak aktif kalınması, sağlıklı beslenme, ilaçların düzenli kullanılması gibi etkenler göze verilen hasarı durdurabilir, görme kaybının önlenmesine veya geciktirmeye yardımcı olabilir. DR riski diyebet uzadıkça artar. Gebelik, kontrolsüz diyabet, sigara bağımlılığı, hipertansiyon, yüksek kolesterol gibi risk faktörleri DR gelişimini arttırmaktadır. Özellikle diyabetli hamileler mümkün olan en kısa sürede detaylı bir göz muayenesi yaptırmalıdır. DR göz muayenesinde göz bebeğinin büyütülerek kontrol edilmesiyle tespit edilmesinin yanında görüntü işleme teknikleri yardımıyla da teşhis edilmektedir. DR ve retinada görülen başka hastalıkların tespit edilmesinde fundus floresan anjiografi yöntemiyle elde edilen fundus görüntülerin kullanılması oldukça yaygındır. Günümüzde hasta sayısındaki artışa ve görüntüleme teknolojilerindeki gelişmelere paralel olarak çeşitli yöntemlerle medikal görüntülerden hastalık tespitinin yapıldığı birçok çalışma yapılmaktadır. Derin öğrenme, uygulama alanı son yıllarda katlanarak artan yöntemlerden biridir. Makine öğrenimi, yapay zekanın bir alt alanıdır. Derin öğrenme de, makine öğreniminin bir alt alanıdır ve yapay sinir ağları, derin öğrenme algoritmalarının temelini oluşturur. Derin öğrenme çok katmanlı bir sinir ağı mimarisi kullanarak girdi bilgilerini birden çok soyutlama düzeyine dönüştürerek, verilerin temsillerini otomatik öğrenen bir yöntemdir. Ağdaki katmanlar problemin çözümüne yönelik öznitelikleri öğrenirler. Öğrenme sırasında hangi bilginin kulllanılacağına yöntem kendisi karar verir. Derin öğrenme yöntemlerinin çok yönlülüğü, yüksek performansı, yüksek genelleme kapasitesi ve multidisipliner kullanımı gibi özellikleri dikkat çekmektedir. Büyük miktarda verinin toplanması, grafik işleme birimleri, güçlü bilgisayar altyapıları geliştirilmesi, bulut bilişim gibi teknolojik gelişmeler yeni modellerin oluşturulup, uygulanmasını desteklemektedir. Bölütleme, sınıflandırma, sezim, tanıma, öngörü, doğal dil işleme, örüntü arama, otonom araçlar, veri arıtma gibi görevlerde yüksek performanslar elde edilmektedir. Görüntü elde etme sistemlerindeki gelişmeler, özellikle tıbbi çalışmalarda yüksek çözünürlükte görüntülerin elde edilmesini sağlamaktadır. Tıbbi görüntüler üzerine derin öğrenme çalışmaları yeni sayılır. Dönüm noktası yaklaşk on yıl öncesine, sinir ağlarının geleneksel bilgisayarlı görü yöntemlerinden daha iyi performans göstermeye başladığı döneme uzanır. Yüksek çözünürlükte görüntülerin artmasının yanında belirli bir hasta vakası için görüntü sayısı, birkaç iki boyutlu görüntüden 3D görüntüleme ile yüzlerce ve 4D dinamik görüntüleme ile binlerce görüntüye yükselmiştir. Artan görüntü sayısıyla uzmanların işyükü de armaktadır. Ayrıca tıbbi görüntülerin karmaşıklığı ve farklı uzmanlar arasındaki varyasyonlar, radyologların ve doktorların her zaman verimli ve doğru teşhis koymasını zorlaştırır. Derin öğrenmeye dayalı tıbbi görüntü analizinin, çeşitli teşhis ve tedavi süreçlerinde doğruluk ve verimliliğini artırarak klinisyelere karar desteği sağlama konusunda gelecek vaat etmektedir. Günümüzde bazı tıbbi çalışmalarda uzman radyologların başarı seviyeleri yakalanmıştır. Derin öğrenme modelleri örneğin klinik, radyolojik veya patolojik görüntülerin önceden belirlenmiş bir kategoride sınıflandırmayı öğrenir. Verinin, model eğitilmeden önce kategorilere ayrılması işlemi de uzman bir personel tarafından yapılır. Görüntülerde örüntü tanıma, görüntü/nesne tanıma veya sınıflandırma çalışmalarında evrişimli sinir ağları (ESA) en yaygın kullanılan derin öğrenme ağlarıdır. Evrişimsel ağlar, biyolojik süreçlerden ilham almıştır, nöronlar arasındaki bağlantı modeli, hayvan görsel korteksinin organizasyonuna benzer. ESA'lar çok katmanlı algılayıcıların farklı bir şekilde düzenlenmiş biçimidir. Evrişim, havuzlama ve tam bağlı katmanlardan oluşur. Yeterince büyük bir eğitim seti ile ESA modelleri geriye yayılım algoritmalarını kullanarak veriden ilgili özellikleri çıkarmayı otomatik olarak gerçekleştirebilir. ESA modeli eğitim yoluyla veriden özellik temsillerini keşfeder ve modele girdi olarak manuel olarak tasarlanmış özellikler gerektirmez. Öznitelik çıkarmada ön bilgiden ve insan müdahalesinden bağımsızlık olması ESA modellerinin en önemli avantajlarındandır. ESA'lar tıbbi görüntü analizinin birçok alanında yaygın olarak kullanılmaktadır. Röntgen, manyetik rezonans görüntüleme, bilgisayarlı tomografi gibi teknolojilerden elde edilen görüntüleri kullanarak bir hastalığın varlığı veya yokluğu, hastalığın türü, sınıflandırması çalışmalarında kullanılmaktadır. Örneğin alzheimer hastalığının sınıflandırması, beyin tümörü sınıflandırması, akciğer nodüllerinin sınıflandırılması, meme kanseri teşhisi, karın bölgesindeki organlarda görülen hastalıkların sınıflandırması, Covid-19 teşhisi, elektroensefalografi sınıflandırması, göz hastalıklarının sınıflandırması gibi. Bu çalışmada DR'nin otomatik tanısı için bir hibrit model önerildi. Bu modelde derin öğrenme yöntemi olan ESA, sezgi üstü algoritmalar ve makine öğrenmesi algoritmaları ile Messidor-2 açık kaynak fundus görüntüleri kullanılarak DR hastalığının ikili sınıflandırılması yapılmıştır. Önerilen modelin dört adımı vardır. Öncelikle fundus görüntülerinin ön işlemesi yapılarak, görüntüler yeniden boyutlandırılıp, piksel değerleri normalize edilmiştir. Bir derin ESA modeli olan Inception-v3 ile transfer öğrenme yöntemi kullanılarak işlenmiş görüntülerden özellik çıkarıldı. Ardından makine öğrenmesi algoritmaları olan Aşırı Gradyan Artırma, Rastgele Orman, Ekstra Ağaçlar, Torbalama Karar Ağaçları, Lojistik Regresyon, Destek Vektör Makineleri ve Çok Katmanlı Algılayıcı kullanılarak sınıflandırma yapıldı. En yüksek doğruluk performansı %91.40 ile Aşırı Gradyan Artırma algoritmasından elde edildi. Sezgi üstü algoritmalar olan Parçacık Sürü Optimizasyonu, Yapay Arı Kolonisi ve Benzetimli Tavlama algoritmaları kullanılarak, daha önce çıkarılan özelliklerden, en iyi potansiyel özellikler seçildi. Seçilen özellikler Aşırı Gradyan Artırma algoritması ile sınıflandırıldı. Sezgi üstü algoritmalar ile her bir fundus görüntüsünden elde edilen özellik sayısı büyük oranda düşürülüp, sınıflandırma doğruluğu arttırıldı. Sınıflama sonuçlarına göre en yüksek doğruluk, %93.12, Parçacık Sürü Optimizasyonu ile seçilen özelliklerden elde edildi. Analiz sonuçları literatürdeki mevcut çalışmalarla karşılaştırıldığında, bu çalışmanın doğruluk performansı ve görüntülerden çıkarılan özellik sayıları açısından rekabetçi olduğu gösterilmiştir. Öte yandan önerilen modelin bazı avantajları vardır; görüntülere oldukça az sayıda ön işleme yapılmaktadır, eğitilen parametlerin sayısı azdır ve model az miktarda veri ile başarılı sonuçlar vermektedir. Bu çalışma, derin öğrenme ve metasezgisel algoritmaların birlikte kullanılmasıyla DR sınıflandırmasında daha iyi sonuçlar alınabileceğini gösteren ilk çalışmalardan biridir. Önerilen model, göz doktorlarına DR teşhisinde destek vermek için kullanılabilir.

Özet (Çeviri)

Diabetes is a disease that results in an increase in blood sugar due to the pancreas not producing enough insulin, insufficient effect of the produced insulin, or ineffective use of insulin. According to the International Diabetes Federation 2021 report, approximately 537 million adults aged between 20 and 79 live with diabetes worldwide. It is estimated that the number of people with diabetes will increase to 643 million in 2030 and 783 million in 2045. Diabetic retinopathy (DR) is an eye condition that can cause vision loss, irrecoverable visual deterioration, and blindness in people with diabetes. Today, it is one of the leading diseases that cause blindness. Anyone with any diabetes can become a DR. In ophthalmology, type 2 diabetes can lead to DR if left untreated for more than five years. Diabetes-related high blood sugar leads to DR. Over time, having too much sugar in the blood damages the retina. The deterioration of this disease in the eye begins when sugar blocks the capillaries leading to the retina, causing fluid leakage or bleeding at a later stage. The eye produces new vessels to compensate for the blocked vessels, but these newly formed vessels often do not work well and can bleed or leak easily. DR can lead to other serious eye conditions. For example, about one in 15 people with diabetes develop diabetic macular edema over time. DR can lead to the formation of abnormal blood vessels in the retina and prevent fluid from leaving the eye. That causes a type of glaucoma. It is crucial for people with diabetes to have a comprehensive eye examination at least once a year. Follow-up of diabetes; factors such as staying physically active, eating a healthy diet, and using medications regularly can stop the damage to the eye and help prevent or delay vision loss. Some risk factors increase the development of DR, such as pregnancy, uncontrolled diabetes, smoking addiction, hypertension, and high cholesterol. In addition to being detected by magnifying the pupil in eye examination, DR is also diagnosed with the help of image processing techniques. It is common to use fundus images obtained by fundus fluorescent angiography to detect DR and other retinal diseases. Nowadays, with the increasing number of patients and the developments in imaging technologies, disease detection from medical images by various methods has increased. Deep learning is one of the methods whose application area has increased exponentially in recent years. Deep learning is a subfield of machine learning; both are a subfield in artificial intelligence. Deep learning methods draw attention with their versatility, high performance, high generalization capacity, and multidisciplinary use. Technological developments such as the collection of large amounts of data, graphics processing units, the development of robust computer infrastructures, and cloud computing support the building and implementation of new models.Increasing the number of images for a particular patient case and high-resolution images increases specialists' workload. Diagnosis of DR manually by an ophthalmologist is an expensive and time-consuming process. It requires experts who have remarkable experience. In addition, the complexity of medical images and the variations between specialists make it difficult for radiologists and physicians to make efficient and accurate diagnoses at any time. Deep learning is promising in providing decision support to clinicians by increasing the accuracy and efficiency of diagnosis and treatment processes of various diseases. Today, in some medical studies, the success levels of expert radiologists have been achieved or exceeded. Convolutional neural networks (CNNs) are the most widely used deep learning networks in image recognition, image/object recognition, or classification studies. A CNN model doesn't need manually designed features for training; it extracts features from data directly while network training on images. The automated feature extraction property and their success make CNNs highly preferred models in computer vision tasks. This study proposes a hybrid model for the automatic diagnosis of DR. A binary classification of DR (referable vs. non-referable DR) is made using a deep CNN model, metaheuristic algorithms, and machine learning algorithms. A public dataset, Messidor-2, is used in experiments. The proposed model has four steps: preprocessing, feature extraction, feature selection, and classification. Firstly, fundus images are pre-processed by resizing images and normalizing pixel values. The inception-v3 model is applied with the transfer learning approach for feature extraction from processed images. Then, classification is made using machine learning algorithms: Extreme Gradient Boosting (XGBoost), Random Forest, Extra Trees, Bagged Decision Trees, Logistic Regression, Support Vector Machines, and Multilayer Perceptron. XGBoost gives maximum accuracy of 91.40%. The best potential features are selected from the extracted features by three metaheuristic algorithms: Particle Swarm Optimization, Simulated Annealing, and Artificial Bee Colony. Selected features are classified with the XGBoost algorithm. The metaheuristics significantly reduced the number of features obtained from each fundus image and increased the classification accuracy. According to the results, the highest accuracy of 93.12% is obtained from the features selected with Particle Swarm Optimization. When the study results are compared with the existing studies in the literature, it has shown that this study is competitive in terms of accuracy performance and obtained low features. On the other hand, the proposed model has some advantages; it has a few pre-processing steps, training number of parameters are considerable low, and model can be trained with a small amount of data. This study is one of the first studies showing that better results can be obtained in DR classification by using deep learning and metaheuristic algorithms together. The proposed model can be used to give another idea for ophthalmologists in diagnosing DR.

Benzer Tezler

  1. Tez No

    789614

    Sepsis hastalığının derin öğrenme yöntemiyle tahmini

    Sepsis disease prediction by deep learning

    UMUT KAYA

    Doktora

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBeykent Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ATINÇ YILMAZ

  2. Tez No

    897218

    Evrişimsel sinir ağları ve çekirge optimizasyon algoritması kullanarak kolon kanser hastalığı tesbiti

    Colon cancer disease diagnose with convolutional neural network and grasshopper optimization algorithm

    AMNA ALI A MOHAMED

    Doktora

    Türkçe

    Türkçe

    2024

    Mühendislik BilimleriKastamonu Üniversitesi

    Malzeme Bilimi ve Mühendisliği Ana Bilim Dalı

    PROF. DR. AYBABA HANÇERLİOĞULLARI

  3. Tez No

    884727

    Tiroit ince iğne aspirasyon biyopsilerinde papiller tiroit karsinomların metasezgisel temelli evrişimsel sinir ağı ile tespit edilmesi

    Detection of papillary thyroid carcinoma nuclei in thyroid fine needle aspiration biopsies by deep learning and machine learning methods

    ZEYNEP İLKILIÇ AYTAÇ

    Doktora

    Türkçe

    Türkçe

    2024

    Mühendislik BilimleriFırat Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. BEŞİR DANDIL

    DR. ÖĞR. ÜYESİ İSMAİL İŞERİ

  4. Tez No

    835257

    Zaman serileri tahmininde melez bir yaklaşım

    A hybrid approach to time series forecasting

    NURBANU IŞIK DELİBALTA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Sultan Mehmet Vakıf Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BURHANETTİN CAN

    DR. ÖĞR. ÜYESİ GÖNÜL ULUDAĞ

  5. Tez No

    882937

    Sahte haber tespiti için derin öğrenme ve metasezgisel yöntemlere dayalı bir yaklaşım

    An approach based on the deep learning and metaheuristic methods for fake news detection

    SELİN GÜNGÖR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiGazi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. RAMAZAN BAYINDIR

Geri Dön