Geri Dön

Diyabetik retinopatinin tespit ve sınıflandırılması

Diabetic retinopathy diagnosis and classification

  1. Tez No: 902320
  2. Yazar: BERK PİŞKİN
  3. Danışmanlar: PROF. DR. AYLİN ALIN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Göz Hastalıkları, Eye Diseases
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Dokuz Eylül Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 66

Özet

Diyabetik Retinopati (DR), dünya çapında önlenebilir körlüğün önde gelen nedenlerinden biridir. Erken teşhis edilmezse, DR ileri bir aşamaya kadar farkedilmeyebilir ve geri dönüşü olmayan göz hasarına yol açabilir. Dolayısı ile erken teşhis ve hastalığı etkileyen faktörlerin anlaşılması tedavi sürecinin planlanmasında kritik rol oynamaktadır. Makine öğrenmesi yöntemleri tıp alanında olduğu gibi DR teşhisinde de başarı göstermiştir. Bu çalışma, EyeCheckup şirketinin fundus görüntüsü veritabanından elde edilen tabular veri üzerinde yapılmıştır. Üç farklı sınıf içeren veriden, biri ve diğerleri yöntemi ile üç farklı veri üretilmiş ve sınıflandırma yapmak için Rastgele Orman, XGBoost ve Lojistik Regresyon yöntemleri seçilmiştir. Veri sınıf dengesizliği barındırmaktadır ve bu dengesizliği gidermek için Sentetik Azınlık Üst Örnekleme Tekniği (SMOTE) ve üç farklı SMOTE tabanlı yeniden örnekleme tekniği kullanılmıştır. Yeniden örnekleme tekniklerinin dışında, seçilen sınıflandırıcıların sınıf dengesizliğine karşı tasarlanmış hiperparametreleri ve Kolay Topluluk Sınıflandırıcısı, Rastgele Alt Örnekleme Arttırma ve Dengelenmiş Rastgele Orman gibi sınıf dengesizliğine karşı dayanıklı sınıflandırıcılar incelenmiştir. Metodlar kısmında dengesiz sınıflandırma çalışmalarında kullanılabilecek yeni bir metrik olan SS-Score tanılıp, incelenen yöntemlerin performansı bu metrik üzerinden karşılaştırılmıştır. DR'nin farklı aşamalarında rol oynayan önemli değişkenleri tespit etmek ve önem düzeylerini ölçmek amacıyla Permütasyon Önemi yöntemi kullanılmıştır. Son olarak, DR'nin yokluğunun sınıflandırılması veya mevcutsa aşamasının tespit edilmesi için, en iyi performans gösteren modeller bir topluluk yönteminde birleştirilerek yüzde 91'lik genel bir çok sınıflı doğruluk elde edilmiştir.

Özet (Çeviri)

Diabetic retinopathy (DR) is one of the most common complications of Diabetes Mellitus (DM). It occurs in the eyes of DM patients and is one of the leading causes of preventable blindness worldwide. If not diagnosed early, DR may remain unnoticed until an advanced stage, leading to irreversible eye damage. Consequently, early detection and understanding the factors that influencing the disease plays a critical role in planning the treatment process. Machine learning methods have demonstrated success in the medical domain as well as DR diagnosis. This study is conducted on the tabular data obtained via feature extraction methods on the fundus image database of EyeCheckup company. We employ Random Forest, XGBoost, and Logistic Regression methods to classify the data, which includes three different classes. The dataset presents a class imbalance issue that could adversely impact the performance of classification models. To address class imbalance, we employ resampling techniques, including Synthetic Minority Over-Sampling Technique (SMOTE) and three different SMOTE variations to make the data balanced. Additionally, we utilize classifiers that are robust to class imbalance, such as Easy Ensemble Classifier, Random Under-Sampling Boosting, and Balanced Random Forest. Hyperparameters of RF and LR, designed to handle class imbalance, are also investigated. In Methods section, a novel metric, SS-Score is introduced and comparisons of the methods studied based on this metric. The Permutation Importance method is employed to detect important variables and calculate their importances at different stages of DR. Finally, for the classification of the absence of DR or detection of its stage if its present, the best performing models are combined into an ensemble method, achieving an overall multi-class accuracy of 91 percent.

Benzer Tezler

  1. İyileştirilmiş derin öğrenme modelleriyle fundus görüntülerinde diyabetik retinopatinin sınıflandırılması

    Classification of diabetic retinopathy in fundus images with improved deep learning models

    KÜBRA UÇAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. BEKİR DİZDAROĞLU

  2. 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

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  3. Retinal fundus görüntülerinde sınıflandırma ve bölütleme

    Classification and segmentation in retinal fundus images

    SAADET AYTAÇ ARPACI

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SONGÜL VARLI

  4. The Implementation of Ensemble Voting in Deep Neural Networks for the Automated Classification of Diabetic Retinopathy

    Diabetik Retinopatinin Otomatik Siniflandirilmasi Için Derin Sinir Ağlarinda Ensemble Oylama Yaklaşiminin Uygulanmasi

    MOTHNA MEZHER ALRUBAYE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HAMZA OSMAN İLHAN

  5. Diabetic retinopathy classification with using deep learning

    Derin öğrenme ile diyabetik retinopati sınıflandırılması

    MEHMET ALPER ŞAHİN

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Veri Mühendisliği ve İş Analitiği Ana Bilim Dalı

    DOÇ. DR. ÖMER FARUK BEYCA