Diyabetik retinopati teşhisi için derin öğrenme tabanlı sınıflandırma analizi
Deep learning based classification analysis for diabetic retinopathy diagnosis
- Tez No: 907015
- Danışmanlar: DOÇ. DR. RAHMİ BAKİ, DOÇ. DR. KEMAL ADEM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Yönetim Bilişim Sistemleri, Computer Engineering and Computer Science and Control, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Aksaray Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 82
Özet
Diyabetik retinopati, diyabet (şeker hastalığı) olan kişilerde görülen bir göz hastalığıdır. Bu hastalığın erken teşhisi önemlidir. Yapay zekâ, büyük veri analitiği ve derin öğrenme gibi gelişmiş algoritmaları kullanarak, tıp alanında çeşitli uygulamalara sahiptir. Bu sistemler uzman doktorların teşhislerini desteklemek veya büyük bir hasta kitlesini tarayarak erken teşhis için yardımcı olmak amacıyla kullanılabilir. Bu çalışmada, normal, hafif, orta, şiddetli ve proliferatif fundus göz görüntülerinden oluşan 3662 örnekten oluşan Aptos veri seti ile 7915 görselden oluşan özgün bir veri seti hazırlanmıştır. İki farklı veri seti kullanılarak evrişimsel sinir ağı modellerinde hiper parametrelerin sınıflandırma performansı üzerindeki etkileri incelenmiştir. Değerlendirilen hiper parametreler arasında sabit öğrenme oranı, öğrenme oranı planlaması yöntemleri, aktivasyon fonksiyonları, L2 düzenleme, veri artırma teknikleri ve optimizasyon algoritmaları yer almaktadır. Görüntülerin sınıflandırma başarısını artırmak için çeşitli ön işleme adımları uygulanmış ve transfer öğrenme yaklaşımıyla ResNet34 modeli kullanılarak eğitim gerçekleştirilmiştir. Başlangıçta 3662 Aptos veri seti üzerinde SGD optimizasyon algoritması ile model eğitilmiştir. Daha sonra 7915 veri seti üzerinde veri artırma teknikleri, L2 regülarizasyon kullanılarak Momentum optimizasyon algoritmasıyla tekrar eğitime tabi tutulmuş olup çıkan sonuçlar neticesinde başlangıç değerine göre ReLU %9,93, Leaky ReLU %8,99 oranında bir yükselme göstermiştir. Elde edilen sonuçlar, ReLU aktivasyon fonksiyonunun 0,786 doğruluk ve F1 skoru, Leaky ReLU'nun ise 0,751 doğruluk ve F1 skoru ile en yüksek başarıyı sağladığını göstermiştir. Bu bulgular, fundus göz görüntülerinin sınıflandırmasında hiper parametrelerin önemini vurgulamaktadır.
Özet (Çeviri)
Diabetic retinopathy is an eye disease that occurs in people with diabetes. Early diagnosis of this disease is essential. Artificial intelligence has various applications in the medical field, using advanced algorithms such as big data analytics and deep learning. These systems can be used to support expert doctors' diagnoses or to screen a large population of patients to help with early diagnosis. In this study, an Aptos dataset of 3662 samples of normal, mild, moderate, severe and proliferative fundus eye images and a unique dataset of 7915 images were prepared. The effects of hyperparameters on the classification performance of convolutional neural network models were analyzed using two different datasets. The hyper-parameters evaluated include fixed learning rate, learning rate planning methods, activation functions, L2 regularization, data augmentation techniques and optimization algorithms. Various preprocessing steps were applied to improve the classification success of the images and training was performed using the ResNet34 model with a transfer learning approach. Initially, the model was trained with an SGD optimization algorithm on 3662 Aptos datasets. Then, the model was retrained on 7915 datasets with the Momentum optimization algorithm using data augmentation techniques and L2 regularization, and the results showed an increase of 9.93% in ReLU and 8.99% in Leaky ReLU compared to the initial value. The results showed that the ReLU activation function achieved 0.786 accuracy and F1 score, while Leaky ReLU achieved the highest success with 0.751 accuracy and F1 score. These findings emphasize the importance of hyperparameters in the classification of fundus eye images.
Benzer Tezler
- Derin öğrenme tabanlı oftalmoloji görüntülerinde veri analizi ve güvenliği
Deep learning based data analysis and security in ophthalmology images
CANER ŞEN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Uludağ ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GIYASETTİN ÖZCAN
PROF. DR. SELİM DOĞANAY
- Evrişimli sinir ağları kullanılarak retina görüntülerinin segmentasyonu ve sınıflandırılması
Segmentation and classification of retina images using convolutional neural networks
MALI MOHAMMEDHASAN
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HARUN UĞUZ
- Diyabetik retinopati tanısına yönelik derin öğrenme tabanlı sınıflandırma
Deep learning based classification for diabetic retinopathy diagnosis
OSMAN CEYLAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBurdur Mehmet Akif Ersoy ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ONUR SEVLİ
- Diyabetik retinopati hastalığının teşhisi için derin öğrenme ile retinal fundus görüntülerinin sınıflandırılması
Classification of retinal fundus images with deep learning for diagnosis of diabetic retinopathy
BURAK GEZİCİ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. PINAR TÜFEKCİ
- Diyabetik retinopati hastalığının erken teşhisi için retina görüntülerinin derin öğrenme tabanlı sınıflandırılması
Deep learning based classification of retinal images for earlydiagnosis of diabetic retinopathy disease
YUSUF BAHRİ ÖZÇELİK
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYTAÇ ALTAN