Glokom hastalığının derin öğrenme yöntemiyle ön tanısı
Pre-diagnosis of glaucoma disease with deep learning
- Tez No: 810847
- Danışmanlar: DR. ÖĞR. ÜYESİ HAKAN YILMAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Göz Hastalıkları, Mühendislik Bilimleri, Science and Technology, Eye Diseases, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Karabük Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
- Sayfa Sayısı: 56
Özet
Glokom hastalığı, dünyada görme kaybının ana nedenlerinden biri olarak tanımlanan geri dönüşü olmayan nörodejeneratif bir göz hastalığıdır. Bu göz hastalığı optik sinir lifi hasarı ile karakterize edilmektedir. Ana risk faktörü olarak bilinen göz içi basıncı yeterince yükseldiğinde optik sinire zarar vermektedir. Glokom hastalığı erken teşhis ve tedavi edilmezse geri dönüşü olmayan körlüğe neden olabilmektedir. Günümüzde yapay zekâ yaklaşımları neredeyse tüm alanlarda uygulanmaktadır. Sağlık alanında da derin öğrenme ve makine öğrenimi yaklaşımlarının kullanımı gittikçe artmaktadır. Makine öğrenimi ve derin öğrenme yaklaşımları yardımı ile hastalık teşhisi, izlemesi ve tıbbi görüntü analizi gibi görevlerde dikkate değer sonuçları göstermektedir. Bu tez çalışmasında, genelde göz hastalıklarının ve bilhassa glokom hastalığının tanısı konusunda yardımcı olan fundus görüntüleri kullanarak glokom hastalığı ön tanısı koyan özgün bir derin öğrenme modeli geliştirilmiştir. Fundus görüntüleri yardımı ile gözün iç yapısı incelenebilmektedir. Bu tez çalışmasının kapsamında halka açık olan Kaohsiung Chang Gung (KCG) Memorial Hastanesi, High Resolution Fundus (HRF), Drishti-GS1 ve Ocular Disease Intelligent Recognition (ODIR) veri setlerinden yaklaşık 4600 renkli fundus görüntüsü toplanmıştır. Toplanan görüntüler glokomlu ve sağlıklı olarak etiketlenmiş durumdadır. Görüntülere gerekli görüntü işleme teknikleri uygulandıktan sonra bu tez çalışması kapsamında oluşturulan evrişimli sinir ağı (CNN) modelinde kullanılmıştır. Geliştirilen modelin performansını değerlendirmek amacıyla doğruluk, duyarlılık, kesinlik, AUC, özgüllük, MCC ve F1-skoru metrikleri hesaplanmıştır. Sonuç olarak doğruluk, duyarlılık, kesinlik ve özgüllük sırasıyla %99.03 (± 1.53), %97.64 (± 3.21), %98.59 (± 2.84) ve %99.52 (± 0.91) olarak hesaplanmıştır. Elde edilen sonuçların literatürdeki diğer çalışmalara göre yüksek olduğu görülmüştür.
Özet (Çeviri)
Glaucoma is a neurodegenerative ocular disorder and one of the leading causes of vision impairment worldwide. Damage to optic nerve fibers that occurs due to elevating intraocular pressure to high levels characterizes glaucoma. Early diagnosis and treatment are crucial in preventing the irreversible blindness associated with glaucoma. In recent years, artificial intelligence approaches, particularly deep learning, and machine learning, have been applied in almost all fields, including healthcare. These methodologies have exhibited remarkable capabilities in disease diagnosis, monitoring, and medical image analysis. In this thesis, a novel deep-learning model has been developed specifically for the pre-diagnosis of glaucoma using fundus images. Fundus images are valuable tools for detecting various eye ailments, including glaucoma. They enable examination of the internal structure of the eye. For this thesis, we collected a dataset consisting of around 4600 colour fundus images from multiple open-source datasets. This dataset includes Kaohsiung Chang Gung (KCG) Memorial Hospital, High-Resolution Fundus (HRF), Drishti-GS1, and Ocular Disease Intelligent Recognition (ODIR) datasets. These images were labeled as either glaucoma or healthy cases. After applying appropriate image processing techniques, a convolutional neural network (CNN) model was employed, specifically designed for this thesis. We calculated some evaluation metrics for measuring the ability of the model to classify images into glaucoma and healthy categories. These metrics include accuracy, sensitivity, precision, the area under the curve (AUC), specificity, Matthew's correlation coefficient (MCC), and the F1-score. As a result, accuracy, sensitivity, precision, and specificity were 99.03% (± 1.53), 97.64% (± 3.21), 98.59% (± 2.84), and 99.52% (± 0.91), respectively. These results surpassed those reported in previous studies.
Benzer Tezler
- 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
- Glokom hastalığının derin öğrenme yöntemleri ile analiz edilmesi
Analyzing glaucoma disease with deep learning methods
BÜLENT ÜSTBAŞ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaramanoğlu Mehmetbey ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE ELDEM
- Görsel dikkat tabanlı U-Net derin öğrenme modeli kullanılarak glokom için optik disk segmentasyonu
Segmentation of optic disk for glaucoma using attention U-Net deep learning model
MUHAMMET BEDİRHAN ÇAĞLAR
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiAmasya ÜniversitesiTeknoloji ve İnovasyon Yönetimi Ana Bilim Dalı
DOÇ. DR. ŞABAN ÖZTÜRK
- Glaucoma disease detection using image processing and machine learning approach
Görüntü işleme ve makine öğrenme yaklaşımıyla glokom hastalığının tespiti
HUSSEIN ALAA MOHAMMED ATTAR BASH
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. AYÇA KURNAZ TÜRKBEN
- Sezgisel optimizasyon yöntemi ile insan retina görüntülerinde optik disk segmentasyonu ve derin öğrenme ile hastalık teşhisi
Optic disc segmentation in human retina images with heuristic optimization method and disease diagnosis with deep learning
HAMIDA ALI ABDUSALAM ALMESHRKY
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULKADİR KARACI