Geri Dön

Diyabetik retinopatinin tespiti ve derecelendirilmesinde derin öğrenme teknolojilerinin kullanılması

Use of deep learning technologies for the detection and grading of diabetic retinopathy

PDF İndir

  1. Tez No: 955995
  2. Yazar: ESMA FAZİLET KARAGÜLLE
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ESRA ODABAŞ YILDIRIM, DR. ÖĞR. ÜYESİ MUSTAFA YILDIRIM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Göz Hastalıkları, Mühendislik Bilimleri, Eye Diseases, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 118

Özet

Amaç: Bu tez çalışmasının temel amacı, diyabetik retinopatinin fundus görüntüleri üzerinden otomatik olarak tespiti ve derecelendirilmesini sağlamak üzere evrişim tabanlı ve dikkat mekanizmalı derin öğrenme modellerinin görüntü işleme teknikleri ile bütünleştirilmesi sonucunda elde edilen performansı ortaya koymaktır. Ayrıca geliştirilen modelin kullanıcıların fundus görüntülerini yükleyerek anlık sınıflandırma sonuçlarına ulaşabileceği bir web arayüzü ile entegre edilmesi hedeflenmektedir. Bu sayede, hem araştırmacılar hem de sağlık personeli tarafından etkin biçimde kullanılabilecek pratik ve erişilebilir bir sistem sunulması amaçlanmaktadır. Yöntem: Tezde belirli bir kısmı halka açık olarak yayınlanan APTOS 2019 veri seti kullanılmıştır. Veri seti kontrast sınırlamalı adaptif histogram eşitleme (CLAHE), renk düzeltmesi ve retina kırpma gibi veri ön işleme adımlarına tabi tutulmuştur. Hem klasik evrişimli sinir ağı mimarileri (ResNet-18, EfficientNet-B0, VGG16, MobileNet, DenseNet) hem de Transformer tabanlı modeller (ViT, Swin Transformer) değerlendirilmiştir. Model eğitimi 5 katlı çapraz doğrulama yöntemiyle yapılmış ve değerlendirme ölçütleri olarak doğruluk, F1 skoru ve Ağırlıklı Kuadratik Kappa (Quadratic Weighted Kappa - QWK) kullanılmıştır. Ayrıca geliştirilen model Pyhton tabanlı Flask framework'ü kullanılarak oluşturulan sağlık personellerinin fundus görüntüsü yükleyebileceği ve anlık sonuçlar alabileceği bir web arayüzüne entegre edilmiştir. Bulgular: Yapılan deney sonucunda, Transformer tabanlı Swin mimarisi ikili sınıflandırmada (DR var/ DR yok) ESA modelleri ile eşdeğer başarıya ulaşırken çoklu sınıflandırmada (0-4) en yüksek başarıyı sağlamıştır. Uygulanan ön işleme adımlarınının özellikle düşük kaliteli görüntülerde sınıflandırma başarımını olumlu etkilediği gözlemlenmiştir. Geliştirilen web arayüzü ile kullanıcılar sisteme fundus görüntüsü yükleyerek anlık teşhis yapabilmekte ve sistem gerçek hayat kullanımına uygun bir karar destek aracı olarak çalışmaktadır. Sonuç: Bu tez çalışması derin öğrenme teknoljilerinin diyabetik retinopati gibi krtik bir hastalığın hem tespiti hem de derecelendirilmesinde yüksek doğruluk sunduğunu ortaya koymuştur. Swin Transformer gibi modern mimarilerin ve gelişmiş ön işleme tekniklerinin kullanılması modelin başarım oranını önemli ölçüde artırmıştır. Ayrıca geliştirilen web arayüzü sayesinde modelin klinik entegrasyon potansiyeli desteklenmiş ve yapay zeka destekli erken teşhis sistemlerinin sağlık alanında pratik kullanımına katkı sağlamıştır.

Özet (Çeviri)

Purpose: The main purpose of this thesis is to demonstrate the performance obtained by integrating convolution-based and attention-based deep learning models with image processing to automatically extract and grade diabetic retinopathy from fundus details. It is also aimed to integrate the model with a web interface that users can use by uploading fundus images and expanding it. In this way, it is aimed to provide a practical and accessible system that can be found effectively by both researchers and healthcare personnel. Method: The thesis uses the APTOS 2019 dataset, a portion of which is publicly available. The dataset was subjected to data preprocessing steps such as contrast-limited adaptive histogram equalization (CLAHE), color correction, and retinal cropping. Both classical convolutional neural network architectures (ResNet-18, EfficientNet-B0, VGG16, MobileNet, DenseNet) and Transformer-based models (ViT, Swin Transformer) were evaluated. Model training was done with 5-fold cross-validation method and accuracy, F1 score, and Weighted Quadratic Kappa (QWK) were used as evaluation criteria. In addition, the developed model was integrated into a web interface created using Python-based Flask framework where healthcare personnel can upload fundus images and get instant results. Findings: As a result of the experiment, the Transformer-based Swin architecture achieved equal success with ESA models in binary classification (DR present/DR absent) while providing the highest success in multiple classification (0-4). It was observed that the applied preprocessing steps positively affected the classification performance, especially in low-quality images. With the developed web interface, users can upload fundus images to the system and make instant diagnoses, and the system works as a decision support tool suitable for real-life use. Results: This thesis study has demonstrated that deep learning technologies provide high accuracy in both detection and grading of a critical disease such as diabetic retinopathy. The use of modern architectures such as Swin Transformer and advanced preprocessing techniques has significantly increased the success rate of the model. In addition, the clinical integration potential of the model has been supported by the developed web interface and has contributed to the practical use of artificial intelligence-supported early diagnosis systems in the health field.

Benzer Tezler

  1. 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

  2. Tez No

    436257

    Diyabetik retinopatinin gerçek zamanlı tespiti için karar destek sistemi

    A decision support system for diabetic retinopathy's real-time detection

    KEMAL AKYOL

    Doktora

    Türkçe

    Türkçe

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ŞAFAK BAYIR

  3. Tez No

    865069

    Diabetic retinopathy detection using artificial intelligence

    Diyabetik retinopati tespiti yapay zeka kullanmak

    MOHAMED ASHRAF SAMY TANTAWY ELSERWY

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ OKATAN

  4. Tez No

    661802

    Dıyabetik retinopatinin şiddet seviyesinin tespitiiçin mobil kenar hesaplama ve derin öğrenmetopluluklarına dayanan bir yöntem

    A novel framework for severity level detection of diabetic retinopathy based on mobile edge computing and deep learning ensembles

    AHMED AL-KARAWI

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ERCAN AVŞAR

  5. Tez No

    486768

    Detection of exudates from digital fundus images of diabetic retinopathy patients

    Diyabetik retinopati hastalarına ait sayısal göz dibi görüntülerinden eksüdaların tespiti

    AYDIN İNCEDERE

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SAMİ ARICA

Geri Dön