Diyabetik retinopati evrelerinin derin öğrenme tabanlı tespiti
Deep learning-based detection of diabetic retinopathy stages
- Tez No: 950941
- Danışmanlar: DR. ÖĞR. ÜYESİ FATİH BAYRAM
- Tez Türü: Yüksek Lisans
- Konular: Mekatronik Mühendisliği, Göz Hastalıkları, Mechatronics Engineering, Eye Diseases
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Afyon Kocatepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu yüksek lisans tezinde, diyabetik retinopatinin (DR) beş evresinin otomatik olarak sınıflandırılmasına yönelik derin öğrenme tabanlı bir model geliştirilmiştir. Çalışmada, APTOS 2019 veri setinde bulunan retina görüntüleri kullanılarak MobileNetV2, DenseNet169, NASNet, VGG19, ConvNeXt Large, EfficientNetB5, EfficientNetB6 ve EfficientNetV2-S olmak üzere sekiz farklı derin öğrenme mimarisi, transfer öğrenme yöntemiyle eğitilmiştir. Görüntü işleme ve veri artırma teknikleri ile sınıf dengesizliği problemleri azaltılmış, model performansı artırılmıştır. Elde edilen sonuçlara göre, EfficientNetV2-S modeli en yüksek başarıyı göstermiş ve ince ayar (fine-tuning) yöntemiyle performansı daha da iyileştirilmiştir. Test aşamasında, geliştirilen model test zamanı artırma (test-time augmentation) yöntemi ile %92,24 doğruluk, %96,77 özgüllük, %92,28 duyarlılık, %92,07 F1 skoru ve %98,99 AUC değerlerine ulaşmıştır. Elde edilen bulgular, geliştirilen sistemin diyabetik retinopatinin erken teşhisinde etkili bir yardımcı tanı aracı olabileceğini göstermektedir.
Özet (Çeviri)
In this master's thesis, a deep learning-based model was developed for the automatic classification of the five stages of diabetic retinopathy (DR). The study utilized retinal images from the APTOS 2019 dataset and employed eight different deep learning architectures—MobileNetV2, DenseNet169, NASNet, VGG19, ConvNeXt Large, EfficientNetB5, EfficientNetB6, and EfficientNetV2-S—trained using the transfer learning approach. Image processing and data augmentation techniques were applied to mitigate class imbalance issues and enhance model performance. Among the evaluated models, EfficientNetV2-S achieved the highest performance, which was further improved through fine-tuning. During the testing phase, the proposed model achieved 92.24% accuracy, 96.77% specificity, 92.28% sensitivity, 92.07% F1-score and 98.99% AUC by employing test-time augmentation. The findings indicate that the developed system can serve as an effective computer-aided diagnostic tool for the early detection of diabetic retinopathy.
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
- 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
- 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
- Retinal kan damarlarının kuantum tabanlı evrişimli yapay sinir ağları ile bölütlenmesi
Segmentation of retinal blood vessels with quantum-based convolutionary artificial neural networks
ERSUN YILMAZ
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ KARAÇOR
- Diyabetik retinopati sınıfladırmasında derin öğrenme, transfer öğrenme ve model birleştirme yaklaşımları
Deep learning, transfer learning and model ensemble approaches in diabetic retinopathy classification
KÜRŞAD KOCAİSPİR
Yüksek Lisans
Türkçe
2026
Mühendislik BilimleriOsmaniye Korkut Ata ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. KEMAL BALIKÇI
PROF. DR. UFUK BAL