Diabetic retinopathy classification with using deep learning
Derin öğrenme ile diyabetik retinopati sınıflandırılması
- Tez No: 895505
- Danışmanlar: DOÇ. DR. ÖMER FARUK BEYCA
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Göz Hastalıkları, Science and Technology, Eye Diseases
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Veri Mühendisliği ve İş Analitiği Ana Bilim Dalı
- Bilim Dalı: Büyük Veri ve İş Analitiği Bilim Dalı
- Sayfa Sayısı: 79
Özet
Bu çalışmada diyabetle ilişkili mikrovasküler komplikasyonlar arasında en yaygın olarak gözüken diyabetik retinopati'nin (DR) sınıflandırılmasına yönelik toplu derin öğrenme modelinin geliştirilmesine odaklanılmıştır. Her ne kadar çeşitli veri setleri kullanılarak DR sınıflandırılmasına yönelik çok sayıda modelleme çalışması yapılmış ve literature kazandırılmış olsa da, genetic faktörlerden kaynaklanan fundus fotoğraflarındaki farklılıklar bu modellerin performansını etkileyerek modellerin genelleştirilmesini zorlaştırabilmektedir. Ayrıca bu farklılıklar, farklı bölgelerdeki insanların fundus fotoğrafları üzerinden yapılan tahminlerin sonuçlarını negatif yönde etkileyerek model performans metriklerinin düşmesine sebebiyet verebilir. Buna ek olarak, gelişmekte olan ülkelerde sağlık hizmetlerine erişimin sınırlı olması dikkate alındığında, bu bölgelerde DR teşhisine yönelik modelleme çalışmalarının yapılmasının önemi daha da belirginleşmektedir. Bu bilgiler ışığında, sınırlı erişime sahip“Brezilya Çok Etiketli Oftalmolojik Veri Seti”referans veri seti olarak belirlenmiş ve bu çalışmada yer alan tüm modellemeler ve model geliştirmeleri bu veri seti baz alınarak gerçekleştirilmiştir. DR, macula ödemi, skar, nevus, drusen, çukur disk artışı, miyop fundus ve yaşa bağlı makula dejenerasyonu başlıca göz anormalikleri olarak sıralanabilir. Bu göz anomalikleri ilgili veri seti üzerinden her bir anomaly için ilgili fundus fotoğrafıyla ilişkilendirilmiştir. Bu çalışmada AlexNet model mimarisi yukarıda listelenen göz anomalilerinin sınıflandırılması için temel çerçeve görevinde önemli bir role sahiptir. Her bir anomali için ayrı ayrı eğitilen modellerin çıktıları, çalışmanın temelini oluşturan DR sınıflandırılması için girdi olarak kullanılılır. Veri seti içerisinden rastgele seçilen fundus fotoğrafarı kullanılarak göz doktorlarının bu fundus fotoğrafları üzerinden tanısal değerlendirme yapmaları istenmiştir. Bu tanısal değerlendirmeler ile geliştirilen modelin tahmin sonuçları karşılaştırılmıştır. Tasarlanan model, deneyimli oftalmologların DR'yi tespit etme konusunda karar verme yeteneklerini geliştirmeyi hedeflemektedir. Çalışmanın temel amacı, yüksek düzeyde odaklanma gerektiren ve küçük ayrıntıların bile son derece değerli bir içgörü oluşturduğu tıbbi değerlendirmelerde kritik bir konu olan yanlış teşhis olasılığını azaltmaktır. Oftamologları, güvenilirliği ve kesinliği yüksek model çıktıları ile güçlendirerek, teşhislerin doğruluğunu ve verimliliğini arttırmayı ve sonuçta DR sınıflandırılmasında hatalı sonuçların ortaya çıkmasını en aza indirmeyi amaçlamaktadır. 9 farklı göz anomalisinin tespiti için CNN algoritmalarından AlexNet mimarisi kullanılarak derin öğrenme modelleri geliştirilmiştir. Geliştirilen modellerin doğruluk ve duyarlılık parametreleri kıyaslanarak eğitim parametreleri optimize edilmiştir. Diyabetik retinopati için geliştirilen modelin test seti için doğruluk değeri 0.76 ve duyarlılık değeri 0.73'dür. DR tahminleme sonuçlarını iyileştirmek adına diyabetik retinopati dışındaki diğer göz anomalileri için geliştirilen sınıflandırma modellerleri ile birlikte çalışan bir sistem önerilmiştir. DR modeline girdi olarak verilen bir fundus fotoğrafı, diyabetik retinopati tahminleme olasılığı 0.4'ten büyükse veya 0.2'den küçükse model sonuç dönmektedir, aksi halde yani diyabetik retinopati tahminleme olasılığı 0.2 ve 0.4 arasında ise fundus fotoğrafı gelilştirilmiş olan diğer modellere de girdi olarak verilip bu modellerin ürettiği tahminleme sonuçları ve ilgili anomalinin diyabetik retinopati ile pearson korelasyon katsayısına göre ağırlıklandırılarak nihai bir çıktı üretilir. Önerilen yöntem ile validasyon verisi için duyarlılık değeri %8.57'lik dikkate değer bir iyileştirme ile 0.76'ya yükselmiştir. Benzer şekilde, test verisi için ise %5.2'lik bir iyileştirme sağlanmıştır.
Özet (Çeviri)
This study focuses on developing ensemble deep learning model to classification of diabetic retinopathy (DR) which stands as the most prevalent among microvascular complications associated with diabetes. Even though numerous modeling studies have been conducted for DR classification using various datasets, the differences in fundus photographs influenced by genetic factors may affect the effectiveness of these models, complicating their generalization. In addition to that, thse differences may cause reduced model performance in different regions. Furthermore, given the limited accessibility of health services in developing countries, the signifance of condusting modeling studies on the DR in these regions becomes even more pronounced. In the light of this information, the limited access“Brazilian Multi-Label Opthalmological Data Set”was determined as the reference data set, and all model improvements were carried out based on this data set. DR, macular edema, scar, nevus, drusens, cup disc increase, myopic fundus and age-related macular degeneration, which are listed ad eye abnormalities, are labelled on fundus photographs for the relevant data set. In this study, the AlexNet basis model architecture plays a crucial role as the fundemantal framework for detecting given eyes abnormalities. Subsequently, the outputs of each model are leveraged to refine the DR classification. Using randomly selected data points from the data set, the diagnostic evaluations made by opthalmologists on these fundus photographs are compared with the prediction results of the developed model. The designed model is aimed at improving the decision-making abilities of experienced ophthalmologists in detecting DR. Its main purpose is to reduce possibility of misdiagnosis, which is critical concern in medical evaluations that require high levels of focusing and where even small details creates a valuable insight. By empowering professionals with more robust diagnostic tools and insights, it aims to increase the accuracy and efficiency of diagnoses, ultimately minimizing the occurrence of erroneous conclusions in the classification of DR. Deep learning models were developed using AlexNet architecture, one of the CNN structures, to detect 9 different eye anomalies. Training parameters were tuned by comparing the accuracy and recall metrics of the developed models. The accuracy and recall values of diabetic retinopathy model on test set are 0.76, and 0.73 respectively. In order to improve DR prediction capability, a system has proposed, this system predict the DR class respect to combination of prediction probabilities of the other eye anomalies. A fundus photo is given as input to DR model returns the prediction class if the probability of DR is less than 0.2 or greater than 0.4; otherwise, if the probability of predictind DR is between 0.2 and 0.4, the fundus photo is given as input to other developed models. A final output is produced by weighting the prediction probabilities which is the output of the other anomalies model according to the Pearson correlation coefficient of the relevant anomaly with DR. The proposed method yielded a notable increase in recall for validation set, achieving value of 0.76, which corresponds to an improvement of 8.57%. Similarly, the recall for the test set demonstrated a valuable enhancement, with an observed improvement of 5.2%.
Benzer Tezler
- Derin öğrenme ve makine öğrenme tekniklerikullanılarak göz hastalıklarının tespiti
Detection of eye disease with deep learning and machinelearning approach
GÖZDE ARSLAN
Yüksek Lisans
Türkçe
2023
Göz HastalıklarıBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÇAĞATAY BERKE ERDAŞ
- 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
- Derin öğrenme kullanarak optik koherens tomografi görüntülerinden retina hastalığı tespiti
Retinal disease detection from optical coherence tomography images using deep learning
ŞÜKRÜ AYKAT
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SİBEL SENAN
- Classification of diabetic retinopathy using pre-trained deep learning models
Ön eğitimli derin öğrenme modelleri kullanarak diyabetik retinopatisinin sınıflanması
INAS MUDHEHER RAGHIB KAFI AL-KAMACHY
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ROYA CHOUPANİ
- Diabetic retinopathy detection using ensemble transfer deep learning
Topluluk transferi derin öğrenme yöntemi kullanarak diyabetik retinopati tespiti
SHUHAD IMAD HADI AL-DUJAILI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEHAD T.A RAMAHA