Diyabetik retinopati tanısına yönelik derin öğrenme tabanlı sınıflandırma
Deep learning based classification for diabetic retinopathy diagnosis
- Tez No: 897896
- Danışmanlar: DOÇ. DR. ONUR SEVLİ
- 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: Burdur Mehmet Akif Ersoy Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 106
Özet
Diyabetik Retinopati (DR), diyabetli kişilerde gözün arkasındaki ışığa duyarlı doku tabakası olan retinanın kan damarlarını etkileyen görme kaybına ve körlüğe sebep olabilen bir komplikasyondur. DR hastalığın erken evrelerinde retinadaki kan damarlarının duvarı zayıflar ve çıkıntılar yapar. Bunun sonucunda doku şişer veya kan sızdırır. Bu durum görüntüleme cihazları ve doktor muayenesi ile tespit edilmektedir. Bu tez çalışmasında, DR hastalığının teşhisinde evrişimli sinir ağları (ESA) mimarileri kullanılarak en yüksek doğruluğun elde edilmesi için yaklaşım sunmaktadır. DR hastalığın ESA modelleri ile tespiti için literatürde yaygın kullanılan ve güncel beş sınıflı APTOS 2019 veri seti tercih edilmiştir. Yüksek sınıflandırma doğruluğu elde edebilmek için veri setinin orjinali yanında Grayscale ve Gaussian filtre kullanarak oluşturulan veri setleri ile üç farklı veri kümesine dönüştürülmüştür. Elde edilen üç farklı veri kümesi, görüntü tabanlı ESA mimarilerinden ResNET152V2, ResNet101V2, MobileNet, MobileNetV2, DenseNet169 ve NASNetLarge ile aynı optimum parametreler ile eğitilmiş ve test sonuçları değerlendirilmiştir. Modeller No DR, Mild, Moderate, Severe ve Proliferative DR olmak üzere beş farklı sınıflandırma uygulanmış ve sınıflandırma performansının değerlendirilmesinde doğruluk, kesinlik, duyarlılık ve f1 skoru metrikleri kullanılmıştır. Elde edilen sonuçlar değerlendirildiğinde, orijinal APTOS 2019 veri kümesi üzerindeki eğitimlerde NasNetLarge modeli % 98,96, Grayscale filtreli veri kümesinde MobileNet V2 modeli %99,26 ve Gaussian filtreli model de ise MobileNet V2 % 99,54 ile en yüksek doğruluk değerlerine ulaşmıştır. Orjinal veri kümesine uygulanan filtrelerin sınıflandırma doğruluğunun artmasına katkı sağladığı görülmektedir. Sonuç olarak DR hastalığının teşhisi için Gaussian filtreli veri kümesinde MobileNetV2 modelinin kullanımının hastalık teşhisinde çok yüksek doğruluk ile sınıflandırma yaptığı görülmektedir.
Özet (Çeviri)
Diabetic Retinopathy (DR) is a complication that can cause vision loss and blindness in people with diabetes, affecting the blood vessels of the retina, the light-sensitive tissue layer at the back of the eye. In the early stages of DR, the walls of the blood vessels in the retina weaken and protrude. As a result, the tissue swells or leaks blood. This condition is detected by imaging devices and medical examination. In this thesis, we present an approach to achieve the highest accuracy in the diagnosis of DR using convolutional neural network (CNN) architectures. For the detection of DR disease with ESA models, the APTOS 2019 dataset with five classes, which is widely used and up to date in the literature, was preferred. To achieve high classification accuracy, the original dataset was transformed into three different datasets with datasets created using Grayscale and Gaussian filters. The three different datasets were trained with the same optimal parameters with the image-based ESA architectures ResNET152V2, ResNet101V2, MobileNet, MobileNetV2, DenseNet169, and NASNetLarge, and the test results were evaluated. The models were applied to five different classifications No DR, Mild, Moderate, Severe, and Proliferative DR, and accuracy, precision, sensitivity, and f1 score metrics were used to evaluate the classification performance. When the results obtained are evaluated, the NasNetLarge model achieved the highest accuracy values with 98.96% in training on the original APTOS 2019 dataset, the MobileNet V2 model with 99.26% in the Grayscale filtered dataset and MobileNet V2 with 99.54% in the Gaussian filtered model. It is seen that the filters applied to the original dataset contributed to the increase in classification accuracy. As a result, it is seen that the use of the MobileNetV2 model in the Gaussian filtered dataset for the diagnosis of DR disease provides very high accuracy in disease diagnosis.
Benzer Tezler
- Diyabetik hastalarda diyabetik retinopati derecesi ile serum fraktalkin (CX3CL1) ilişkisi
Relationship between serum fractalkine (CX3CL1) and degree of diabetic retinopathy in diabetic patients
ÖZGÜR YILMAZ
Tıpta Uzmanlık
Türkçe
2024
İç HastalıklarıSağlık Bilimleri Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. MURAT AKARSU
- Diyabetik retinopatide orbital kan akım değişikliklerinin renkli doppler ultrasonografi ile değerlendirilmesi
The evaluation of orbi̇tal blood flow changes in diabetic retinopathy with color doppler ultrasonography
SEVGİ MUTLU
Tıpta Uzmanlık
Türkçe
2014
Radyoloji ve Nükleer TıpDüzce ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. FAHRİ HALİT BEŞİR
- Diyabetik hastalarda alt üriner sistem fonksiyonlarının araştırılması
Evaluation of lower urinary tract functions in diabetic patients
ÜMİT ESKİDEMİR
- Diyabetik ayak ülserli hastalara yaklaşımımızın değerlendirilmesi
Evaluation of OUR approach to patients with diabetic foot ulcers
ZEYNEP GÜRLEK AKOL
Tıpta Uzmanlık
Türkçe
2015
Endokrinoloji ve Metabolizma HastalıklarıTrakya Üniversitesiİç Hastalıkları Ana Bilim Dalı
YRD. DOÇ. DR. SEMRA AYTÜRK
- Acil servise başvuran diyabet hastalarında idrar trehalaz düzeyinin diyabetik retinopati gelişimi ile ilişkisi
The relationship of the urinary trehalaz level of diabetes patients applying to the emergency department and the development of diabetic retinopathy
ÜSAME GÜLLE
Tıpta Uzmanlık
Türkçe
2022
İlk ve Acil YardımSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. HALİL DOĞAN