Konvolüsyonel sinir ağı modelleri ile fundus görüntülerinden glokom teşhisi
Diagnosis of glaucoma from fundus images with convolutional neural network models
- Tez No: 863421
- Danışmanlar: DOÇ. DR. MEHMET ERDEM
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Akıllı Sistemler Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 66
Özet
Glokom, göz içi basıncının artmasına bağlı olarak optik sinirinde hasara neden olan bir göz hastalığıdır. Milyonlarca insan, dünya çapında geri dönüşü olmayan körlüğün ikinci en önemli nedeni olan bu hastalıktan muzdariptir. Glokomun belirtisiz yayılması, hastalığın erken evrelerinde belirgin semptomların olmaması nedeniyle teşhisi uzmanların karşılaştığı en büyük zorluklardan biridir. Glokom her yaştaki insanı etkileyebilir, ancak bu hastalık çoğunlukla yaşlılarda ortaya çıkmaktadır. Glokomun bu derece yaygın olması hastalığın maliyetine de yansımıştır. Glokomun topluma maliyeti tıbbi faturalardan, ilaç ve ulaşım maliyetlerinden oluşurken, dolaylı maliyetleri de işyerinde düşük üretkenlik ve raporlu günler olarak ifade edilebilir. Bu nedenle kalıcı görme kaybını önlemek için glokomun erken teşhisi çok önemlidir. Bu amaçla bu çalışmada fundus görüntüleri kullanılarak glokom tanısı için manta vatozu beslenme optimizasyonu ile evrişimli sinir ağı modellerini birleştiren yeni bir yaklaşım önerilmektedir. Önerilen hibrit yaklaşım, derin sinir ağı model performansının bağlı olduğu hiperparametre seçimi dezavantajını ortadan kaldırabilir. Bu çalışma, evrişimli sinir ağı modelleri olarak NASNetMobile, MobileNetV2, DenseNet169 ve DenseNet121'i kullanmaktadır. Ayrıca, evrişimli sinir ağı modellerinin performansı destek vektör makineleri algoritması sonuçları farklı metrikler ile karşılaştırılmıştır. Deneysel çalışmaların sonuçları, DenseNet169 mimarisi %99,67'lik en yüksek doğruluk oranıyla tüm modellerden daha iyi performans gösterdiğini göstermektedir. Ayrıca sonuçlar, evrişimli sinir ağlarının normal ve glokom görüntülerini başarıyla sınıflandırdığını kanıtlamaktadır. Bu nedenle önerilen hibrit parametre ayarlama tabanlı derin öğrenme yaklaşımı, tanı ve tedaviye yardımcı olabilme ve insan hatalarını en aza indirebilme potansiyeli olduğunu ifade etmektedir.
Özet (Çeviri)
Glaucoma is an eye disease that could give rise to damage to the optic nerve due to increased intraocular pressure. Millions of people suffer from this disease, which is the second most significant cause of irreversible blindness worldwide. Due to the asymptomatic symptoms in the early stages of glaucoma, it is one of the most complex diagnoses faced by specialists. Glaucoma can affect people of any age, but this disease mainly occurs in the elderly. The prevalence of glaucoma is also reflected in the cost of the disease. While the cost of glaucoma to society consists of medical bills, medication, and transportation costs, indirect costs can be expressed as low productivity at work and sick days. Hence, early diagnosis of glaucoma is crucial to avoid permanent vision loss. Consequently, we propose a novel approach combining convolutional neural network models with manta ray foraging optimization to diagnose glaucoma using fundus images. The hybrid proposed approach is able to eliminate the drawback of tuning hyperparameters for deep neural networks. This study used NASNetMobile, MobileNetV2, DenseNet169, and DenseNet121 as the convolutional neural network models. Moreover, the performance of convolutional neural network models and support vector machine algorithm results were compared with different metrics. The results of experimental studies indicate that the DenseNet169 architecture outperforms all models with the highest accuracy rate of 99.67%. Furthermore, the results prove that convolutional neural networks successfully classify normal and glaucoma images. Therefore, the proposed hybrid parameter tuning-based deep learning approach has the potential to assist in diagnosis and treatment and minimize human errors.
Benzer Tezler
- Oküler hastalıkların sınıflandırılmasında derin konvolüsyonel sinir ağı modeli
A deep convolutional neural network model for classification of ocular diseases
BÜŞRA EMİR
Doktora
Türkçe
2021
BiyoistatistikEskişehir Osmangazi ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. ERTUĞRUL ÇOLAK
- A modified resnet-50 CNN model for classification of eye diseases.
Göz hastalıklarının sınıflandırılmasına yönelik modifiye bir resnet-50 CNN modeli
SAJAD ABDLKADHIM ABDLHUSEIN ALKHAYKANE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAİT DEMİR
DR. ÖĞR. ÜYESİ ASHWAN A. ABDULMUNEM
- Görüntü işleme ile erken evre melanoma tespiti yapan akıllı sistem tasarımı
Design of early stage melanoma detecting smart system using image processing
ALİ ERBAŞ
Doktora
Türkçe
2023
Elektrik ve Elektronik MühendisliğiKırıkkale ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET YALÇINKAYA
- Derin öğrenme modelleri ile elektrik kesinti tahmini
Power outage prediction with deep learning models
ORÇUN KİTAPCI
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Sabahattin Zaim ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ALİ HAMİTOĞLU
- Konvolusyonel Yapay Sinir Ağları Kullanarak Ataletsel Ölçüm Birimi Tabanlı Hareket Analizinde Veri Çoğaltma
Data augmentation in motion analysis based on inertial measurement units by using convolutional neural networks
EMRAH MURAT TEKELİ
Yüksek Lisans
Türkçe
2021
SporMarmara ÜniversitesiBeden Eğitimi ve Spor Ana Bilim Dalı
PROF. DR. HALUDUN AKPINAR