Dıyabetık retınopatı teşhısı ıçın hıbrıt bır yöntemle bölütleme ve sınıflama
Segmentation and classification with a hybrid method for diagnosis of diabetic retinopathy
- Tez No: 923092
- Danışmanlar: PROF. DR. BÜNYAMİN CİYLAN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 74
Özet
Obezite ve genetik yatkınlık gibi faktörlerin etkisiyle, diyabetin görülme sıklığı dünya genelinde artmaktadır. 2024 yılı itibariyle dünyada 800 milyon diyabet hastası bulunmaktadır. Diyabetin göz damalarında hasara neden olması ortaya çıkan diyabetik retinopati (DR), zamanla görme problemlerine temel oluşturan bir rahatsızlıktır. Klasik yaklaşımda DR tanısı, gözün fundus görüntülerinin düzenli aralıklarla uzmanlar tarafından incelenmesi ile konulabilmektedir. Bu yöntemler, zaman ve işgücü gereksinimlerini artırmaktadır. DR'nin yapay zekâ algoritmaları ile teşhisinde fundus görüntülerindeki damar gürültüsünün kaldırılması, teşhis başarısını artırmaktadır. Bu yöntemlerde temel problem ise tüm gürültülerde etkin olacak bir yöntemin zorluğu ve sınıflama aşamasında derin öğrenme modellerinin yüksek eğitim zamanları gerektirmesidir. Literatürde gürültüsüz görüntüyü ve ikili / beşli sınıflandırma sonucunu karar vericilere basit bir ara yüz ile sunan, zaman maliyetini düşüren çalışma eksikliği görülmektedir. Bu çalışmada, fundus görüntülerindeki kan damarı gürültüsü LinkNetRCB7 modeliyle etkili şekilde ortadan kaldırılmıştır. DR'nin sınıflandırılması için derin öğrenme algoritmalarına kıyasla daha az zaman maliyeti gerektiren, makine öğrenimi tabanlı bir topluluk öğrenme modeli önerilmiştir. Bu model kullanılarak, DR ikili/beşli şekilde sınıflara ayrılmıştır. Topluluk öğrenme modelleri, modellerin avantajlarını bir araya getirerek kendisini oluşturan bu modellerden daha yüksek başarı değerleri ortaya koymaktadırlar. Çalışmanın temel amacı hızlı, yüksek doğruluk oranlarına ve daha az zaman maliyetine sahip bir yaklaşım sunmaktır. Çalışmada kan damarı bölütlemesinde DRIVE ve STARE veri setlerinin birleştirilerek, %85,95'lik bir dice katsayısı değeri elde edilmiş, DR'nin ikili ve beşli sınıflandırılmasında APTOS 2019 veri seti ile sırasıyla %97,60, %96,65 doğruluk değerlerine ulaşılmıştır. Tek değişkenli özellik seçimi ile özellik sayısı 30'dan 5'e düşürülerek ikili ve beşli sınıflandırmada sırasıyla %95,35 ve %93,60 doğruluk değerleri APTOS 2019 veri seti ile elde edilmiştir. Bu şekilde ikili sınıflandırmada 30 sn'den 6 sn'ye, beşli sınıflandırmada ise 80 sn'den 32 sn'ye düştüğü görülmüştür.
Özet (Çeviri)
Due to factors such as obesity and genetic predisposition, the incidence of diabetes is increasing worldwide. By 2024, there will be 800 million diabetics in the world. Diabetic retinopathy (DR), which occurs when diabetes damages the eye vessels, is a disorder that forms the basis of visual impairment over time. In the classic method, DR can be diagnosed by having fundus images of the eye examined by experts at regular intervals. These methods increase the time and effort required. When diagnosing DR with artificial intelligence algorithms, the removal of vascular noise in fundus images increases the diagnostic success. The main problem with these methods is the difficulty in finding a method that is effective on all noises and the high training times that deep learning models require in the classification phase. There is a lack of studies in the literature that present the noise-free image and binary/quinary classification result to decision makers with a simple interface and reduce the time cost. In this study, the noise of blood vessels in fundus images was effectively eliminated using the LinkNetRCB7 model. An ensemble learning model based on machine learning, which requires less time to classify DR compared to deep learning algorithms, was proposed. With this model, DR is categorized into binary/quinary classes. By combining the advantages of the models, ensemble learning models show higher success rates than the models they form. The main objective of the study is to present an approach that is fast, has high accuracy and takes less time. In the study, by combining DRIVE and STARE datasets, a Dice coefficient of 85.95% was achieved in the segmentation of blood vessels, and 97.60% and 96.65% accuracy was achieved in the binary and quinary classification of DR using the APTOS 2019 dataset. By reducing the number of features from 30 to 5 with univariate feature selection, 95.35% and 93.60% accuracy values were achieved in binary and quinary classification, respectively, with the APTOS 2019 dataset. In this way, it was found to decrease from 30 seconds to 6 seconds for binary classification and from 80 seconds to 32 seconds for quinary classification.
Benzer Tezler
- 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
- Derin öğrenme kullanarak optik koherens tomografi görüntülerinden retina hastalığı tespiti
Retinal disease detection from optical coherence tomography images using deep learning
ŞÜKRÜ AYKAT
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SİBEL SENAN
- Diyabetik retinopati teşhisine yönelik yapay zekâ tabanlı karar destek modeli
An artificial intelligence-based decision support model for diabetic retinopathy diagnosis
ABDULRAHMAN ÇAVLI
Yüksek Lisans
Türkçe
2024
Bilgi ve Belge YönetimiFırat ÜniversitesiTeknoloji ve Bilgi Yönetimi Ana Bilim Dalı
DOÇ. DR. MESUT TOĞAÇAR
- Diyabetik retinopati hastalığının video-okülografi sinyalleri kullanılarak sınıflandırılması
Classification of diabetic retinopathy disease by using video-oculography signals
CEREN KAYA
Doktora
Türkçe
2019
Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ RUKİYE UZUN
DR. ÖĞR. ÜYESİ OKAN ERKAYMAZ
- Diabetic retinopathy detection using artificial intelligence
Diyabetik retinopati tespiti yapay zeka kullanmak
MOHAMED ASHRAF SAMY TANTAWY ELSERWY
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OKATAN