Göz hastalıklarının görüntü işleme ve derin öğrenme yöntemleriyle otomatik tespiti
Automatic detection of eye diseases using image processing and deep learning methods
- Tez No: 856998
- Danışmanlar: DR. ÖĞR. ÜYESİ SEDA ŞAHİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Çankırı Karatekin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 70
Özet
Bilgisayar sistemleri günden güne gelişerek hayatımızın hemen her alanına girmektedir. Geliştirilen donanım ve yazılımların çeşitlenmesi, sağlık alanında da yenilikler getirmekte ve bu alanda kullanımların artmasına yol açmaktadır. Yapay Zekâ uygulamaları ile tıbbi gelişmelerin her geçen gün arttığı günümüzde göz hastalıklarının tespitinde de farklı sistemler geliştirilmektedir. Doktorlar çeşitli görüntüleme yöntemleri ile elde ettikleri hasta verilerine bakarak uzmanlık alanlarındaki bilgi ve tecrübelerini kullanarak yüksek başarıyla tanı koymakta ve tedaviye başlamaktadır. Bu teşhis ve tanı koyma aşamasında zaman zaman insani hatalar ortaya çıkabilmektedir. Günümüzde giderek artan hasta sayısı, göz hastalıklarının tespitinde doktorların iş yükünü artırmakta ve teşhis koyma sürelerini uzatmaktadır. Kaybedilen bu süre, söz konusu insan sağlığı olduğunda oldukça kritik olabilmektedir. Kısa sayılabilecek zaman kazanımları geri dönüşü olmayan hastalıkların önlenmesini sağlayabilmektedir. Bu nedenle bu alanda geliştirilecek sistemler hem zaman kazanımı sağlayabilecek hem de insani hata ihtimalini ortadan kaldıracaktır. Ortaya konulan çalışmada Ocular Disease Intelligent Recognition (ODIR) veri setinde mevcut 3358 adet fundus görüntüsü üzerinde Yapay Zekâ uygulamalarının alt dallarından Derin Öğrenme metodu kullanılmıştır. Veri setinde bulunan görüntüler Normal (N), Diyabet (D), Glokom (G), Katarakt (C), Yaşa Bağlı Makula Dejenerasyonu (A), Hipertansiyon (H), Patolojik Miyopi (M) ve Diğer Hastalıklar/Anormallikler (O) olmak üzere 8 dalda kategorize edilmiştir. Yöntemde, bu sınıflandırmalar yapılırken karar verebilmek için pek çok ön eğitimli model kullanılmış olup en başarılıları VGG16, ResNet50, ConvNeXtBase ve EfficienNetB0 olarak öne çıkmıştır. Elde edilen sonuçlar, çalışmada önerilen yöntemin veri setinde bulunan 10.000'den fazla kaydı %93,46 gibi bir doğruluk oranıyla sınıflandırabildiğini göstermektedir.
Özet (Çeviri)
Computer systems are developing day by day and entering almost every aspect of our lives. The diversification of developed hardware and software also brings innovations in the field of health and leads to increased use in this field. Nowadays, with Artificial Intelligence applications and medical developments increasing day by day, different systems are being developed to detect eye diseases. By looking at patient data obtained through various imaging methods, doctors use their knowledge and experience in their fields of expertise to diagnose and initiate treatment with high success. Human errors may occur from time to time during this diagnosis and diagnosis stage. Nowadays, the increasing number of patients increases the workload of doctors in detecting eye diseases and prolongs the diagnosis time. This lost time can be quite critical when it comes to human health. Short time savings can prevent irreversible diseases. For this reason, the systems to be developed in this field will both save time and eliminate the possibility of human error. In the present study, Deep Learning method, one of the sub-branches of Artificial Intelligence applications, was used on 3358 fundus images available in the Ocular Disease Intelligent Recognition (ODIR) dataset. The images in the dataset are categorized into 8 branches as Normal (N), Diabetes (D), Glaucoma (G), Cataract (C), Age-Related Macular Degeneration (A), Hypertension (H), Pathological Myopia (M) and Other Diseases/Anormalities (O). In the method, many pre-trained models were used to make decisions while making these classifications and the most successful ones were VGG16, ResNet50, ConvNeXtBase and EfficienNetB0. The results show that the proposed method can classify more than 10.000 records in the dataset with an accuracy rate of 93.46%.
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
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK
- U-net architecture optimization for optic disc segmentation in retinal images
Retina görüntülerinde optik disk bölütleme için U-net mimarisi optimizasyonu
ZAFER ERDOĞAN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Evrişimli sinir ağları kullanılarak retina görüntülerinin segmentasyonu ve sınıflandırılması
Segmentation and classification of retina images using convolutional neural networks
MALI MOHAMMEDHASAN
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN UĞUZ
- Iris segmentation and recognition based on deep learning in the presence of diseases
Hastalıkların varlığında segmentasyon ve derin öğrenme ile irıs tanıma
ABBADULLAH .H SALEH
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
Assist. Prof. Dr. OĞUZHAN MENEMENCİOĞLU