Diyabetik retinopatinin tespit ve sınıflandırılması
Diabetic retinopathy diagnosis and classification
- Tez No: 902320
- Danışmanlar: PROF. DR. AYLİN ALIN
- Tez Türü: Yüksek Lisans
- Konular: Göz Hastalıkları, Eye Diseases
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEKİR DİZDAROĞLU
- 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
- Retinal fundus görüntülerinde sınıflandırma ve bölütleme
Classification and segmentation in retinal fundus images
SAADET AYTAÇ ARPACI
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SONGÜL VARLI
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAMZA OSMAN İLHAN
- Diabetic retinopathy classification with using deep learning
Derin öğrenme ile diyabetik retinopati sınıflandırılması
MEHMET ALPER ŞAHİN
Yüksek Lisans
İngilizce
2024
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiVeri Mühendisliği ve İş Analitiği Ana Bilim Dalı
DOÇ. DR. ÖMER FARUK BEYCA