Geri Dön

Diyabetik retinopati derecelerinin derin öğrenme - tabanlı sınıflandırılmasında ön işlem yöntemlerinin etkisinin analiz edilmesi

Analyzing the effect of preprocessing methods on deep learning-based classification of diabetic retinopathy degrees

PDF İndir

  1. Tez No: 917631
  2. Yazar: NUR SENA ÖZTEKİN BAKTI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ALİ SAĞLAM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Konya Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 91

Özet

Diyabetik retinopati (DR), diyabetin ciddi bir komplikasyonu olup tedavi edilmediği takdirde görme kaybına yol açabilen bir göz hastalığıdır. Erken teşhis ve doğru derecelendirme, etkili tedavi süreçleri için oldukça kritik bir öneme sahiptir. Bu bağlamda, derin öğrenme tabanlı sınıflandırma yöntemleri DR'nin tespitinde umut vadeden yaklaşımlar sunmaktadır ancak derin öğrenme modellerinin başarısı, kullanılan ön işlem yöntemlerine büyük ölçüde bağlıdır. Tez kapsamında, DR hastalığının farklı derecelerinin derin öğrenme tabanlı sınıflandırılmasında, çeşitli ön işlem yöntemlerinin etkileri incelenmektedir. Tez çalışması kapsamında, farklı ön işlem tekniklerinin (Gaussian blur, eşikleme, kontur tespiti, CLAHE ve median blur) sınıflandırma performansı üzerindeki etkileri analiz edilmektedir. Ön işlem yöntemleri iki farklı adımda uygulanmaktadır. Veri setine ilk olarak Gaussian blur yöntemi, eşikleme yöntemi ve kontur tespiti yöntemi uygulanmış (ilk ön işlem adımı) ve eğitilmiş, ardından ilk ön işlem adımı uygulanmış görüntülere ikinci ön işlem adımında CLAHE ve Median blur yöntemleri uygulanmış (ikinci ön işlem adımı) ve eğitilmiştir. EfficientNetB5, VGG16 ve VGG19 gibi transfer öğrenme tabanlı modeller kullanılmakta ve her birinin ön işlem adımlarından sonra elde edilen sonuçları karşılaştırılmaktadır. APTOS ve Diabetic Retinopathy (resized) olmak üzere iki farklı veri seti üzerinde gerçekleştirilen deneylerde, veri setlerine uygulanan ön işlem yöntemlerinin sınıflandırma doğruluğu, kesinlik, duyarlılık ve F1 skor gibi performans metrikleri üzerindeki etkileri değerlendirilmektedir. APTOS veri seti için transfer öğrenme yöntemlerinin herhangi bir ön işlem uygulanmadan önceki doğruluk (accuracy) oranı EfficientNetB5 (%96,09), VGG16 (%95,18) ve VGG19 (%95,25) olarak; ilk ön işlem adımı uygulandıktan sonra (Gaussian blur – eşikleme – kontur tespiti) transfer öğrenme yöntemlerinin doğruluk oranı EfficientNetB5 (%95,49), VGG16 (%95,40) ve VGG19 (%95,05) olarak; ikinci ön işlem adımı uygulandıktan sonra (CLAHE – Median blur) transfer öğrenme yöntemlerinin doğruluk oranı EfficientNetB5 (%93,63), VGG16 (%95,18) ve VGG19 (%94,89) olarak elde edilmektedir. Diabetic Retinopathy (resized) veri seti için transfer öğrenme yöntemlerinin herhangi bir ön işlem uygulanmadan önceki doğruluk oranı EfficientNetB5 (%87,95), VGG16 (%89,72) ve VGG19 (%89,72) olarak; ilk ön işlem adımı uygulandıktan sonra (Gaussian blur – eşikleme – kontur tespiti) transfer öğrenme yöntemlerinin doğruluk oranı EfficientNetB5 (%87,77), VGG16 (%89,54) ve VGG19 (%89,54) olarak; ikinci ön işlem adımı uygulandıktan sonra (CLAHE – Median blur) transfer öğrenme yöntemlerinin doğruluk oranı EfficientNetB5 (%87,21), VGG16 (%89,54) ve VGG19 (%89,54) olarak elde edilmektedir. Ayrıca, ön işlem yöntemlerinin modelin doğruluk ve kayıp eğrilerindeki rolü incelenmektedir. Sonuçlar, kullanılan ön işlem adımlarının model performansında kısmi iyileştirmeler sağladığını ancak sonuçların sınıflandırma doğruluğunu büyük ölçüde artırmadığını göstermektedir. Bu bulgular, derin öğrenme tabanlı sınıflandırma süreçlerinde ön işlem yöntemlerinin her zaman belirgin bir performans artışı sağlamayabileceğini ancak görüntü kalitesini iyileştirme ve model stabilitesine katkı sunma açısından önemli olabileceğini göstermektedir. Çalışma, DR tanısında kullanılacak derin öğrenme modelleri için uygun ön işlem stratejilerinin belirlenmesine yönelik kapsamlı bir çerçeve sunmaktadır. Tez çalışması, DR tanısının daha hızlı ve güvenilir bir şekilde yapılabilmesi için derin öğrenme tabanlı çözümlerin geliştirilmesine katkı sağlamayı amaçlamaktadır.

Özet (Çeviri)

Diabetic retinopathy (DR) is a severe complication of diabetes and an ocular disease that can lead to vision loss if left untreated. Early diagnosis and accurate grading are critically important for effective treatment processes. In this context, deep learning-based classification methods offer promising approaches for DR detection. However, the success of deep learning models heavily depends on the preprocessing techniques applied. This thesis investigates the effects of various preprocessing methods on the deep learning-based classification of different DR degrees. In the scope of this thesis study, the effects of various preprocessing techniques (Gaussian blur, thresholding, contour detection, CLAHE, and median blur) on classification performance are analyzed. The preprocessing methods are applied in two distinct steps. In the first preprocessing step, Gaussian blur, thresholding, and contour detection methods are applied to the dataset and trained. Subsequently, the images from the first preprocessing step undergo the second preprocessing step, where CLAHE and median blur methods are applied and then trained. Transfer learning-based models such as EfficientNetB5, VGG16, and VGG19 are utilized, and the results obtained after each preprocessing step are compared. Experiments are conducted on two different datasets, APTOS and Diabetic Retinopathy (resized), to evaluate the impact of preprocessing methods on performance metrics such as classification accuracy, precision, recall, and F1 score. For the APTOS dataset, the accuracy rates of transfer learning methods before any preprocessing were observed as EfficientNetB5 (96.09%), VGG16 (95.18%), and VGG19 (95.25%). After applying the first preprocessing step (Gaussian blur – thresholding – contour detection), the accuracy rates were EfficientNetB5 (95.49%), VGG16 (95.40%), and VGG19 (95.05%). Following the second preprocessing step (CLAHE – Median blur), the accuracy rates were EfficientNetB5 (93.63%), VGG16 (95.18%), and VGG19 (94.89%). For the Diabetic Retinopathy (resized) dataset, the accuracy rates of transfer learning methods before any preprocessing were EfficientNetB5 (87.95%), VGG16 (89.72%), and VGG19 (89.72%). After the first preprocessing step (Gaussian blur – thresholding – contour detection), the accuracy rates were EfficientNetB5 (87.77%), VGG16 (89.54%), and VGG19 (89.54%). Following the second preprocessing step (CLAHE – Median blur), the accuracy rates were EfficientNetB5 (87.21%), VGG16 (89.54%), and VGG19 (89.54%). Additionally, the role of preprocessing methods in the models' accuracy and loss curves is examined. The results indicate that the preprocessing steps provide partial improvements in model performance but do not significantly enhance classification accuracy. These findings suggest that preprocessing methods in deep learning-based classification processes may not always yield substantial performance improvements. However, they can be crucial for improving image quality and contributing to model stability. This study offers a comprehensive framework for identifying suitable preprocessing strategies for deep learning models used in DR diagnosis. The thesis aims to contribute to the development of deep learning-based solutions that enable faster and more reliable DR diagnosis.

Benzer Tezler

  1. Tez No

    604651

    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

  2. Tez No

    158148

    Tip 2 diyabetiklerdeki kardiyak otonom nöropatinin, diğer mikrovasküler komplikasyonlarla ilişkisi

    Başlık çevirisi yok

    NEVZAT BİLAL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2004

    Endokrinoloji ve Metabolizma HastalıklarıEge Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. MEHMET TÜZÜN

  3. Tez No

    870421

    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

    Türkçe

    2024

    İç HastalıklarıSağlık Bilimleri Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. MURAT AKARSU

  4. Tez No

    91379

    Diabetik retinopatili hastaların lökosit membranlarındaki ve plazma fosfolipitlerindeki yağ asidi bileşiminin incelenmesi

    The Investigation of fatty acid composition of phospholipids in leucocyte membrane and plasma in patients with diabetic retinopathy

    NACİYE KURTUL

    Doktora

    Türkçe

    Türkçe

    1999

    BiyokimyaAtatürk Üniversitesi

    Biyokimya Ana Bilim Dalı

    PROF. DR. EBUBEKİR BAKAN

  5. Tez No

    885776

    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

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTekirdağ Namık Kemal Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. PINAR TÜFEKCİ

Geri Dön