Optik koherens tomografi ve retinal fundus görüntüleri kullanılarak çok sınıflı ve çok etiketli göz hastalıklarının derin öğrenme tabanlı sınıflandırılması
Deep learning-based multi-class and multi-label classification of ocular diseases using optical coherence tomography and retinal fundus images
- Tez No: 956568
- Danışmanlar: PROF. DR. ABDULKADİR ŞENGÜR
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Göz Hastalıkları, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering, Eye Diseases
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Fırat Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik Elektronik Mühendisliği Teknolojileri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yapay zeka (YZ) teknikleri kullanılarak çok sınıflı ve çok etiketli görüntülerin sınıflandırılması problemi literatürde hala çalışmaya ihtiyaç duyulan önemli bir sorundur. Bu tez çalışmasında, tıbbi görüntüleme alanında Optik Koherens Tomografi (OKT) ve fundus görüntülerini kullanarak göz hastalıklarının sınıflandırılmasına yönelik geliştirilen Evrişimli Sinir Ağları (ESA) ve Hibrid Vizyon Transformer (HVİT) tabanlı derin öğrenme modellerinin çok sınıflı ve çok etiketli veri setleri üzerinde başarımı değerlendirilmiştir. OKT ve fundus görüntülerini içeren farklı veri setleri üzerinde gerçekleştirilen deneysel çalışmalar sonucunda önerilen modellerin genelleme kabiliyetleri ve literatürdeki mevcut yöntemlerle kıyaslamalı performansları kapsamlı şekilde analiz edilmiştir. Çalışmada halka açık OKT görüntülerini içeren Kermany UCSD, OCTDL ve OCTID veri setleri ile fundus görüntülerini içeren ODIR5K veri seti üzerinde deneysel çalışmalar yürütülmüştür. Bu OKT veri setleri çok sınıflı farklı hastalık sınıflarını içermekte olup, fundus veri seti ise çok sınıflı ve çok etiketli farklı hastalık sınıflarını içeren bir veri setidir. Çok sınıflı ve çok etiketli veri setlerinde sınıf dengesizliğini ortadan kaldırmak için çeşitli yaklaşımlar geliştirilmiş ve uygulanmıştır. Bu amaçla Çekişmeli Üretken Ağ (ÇÜA) tabanlı sentetik görüntü üretimi gerçekleştirilmiştir. OKT veri setleri üzerinde önerilen ESA tabanlı yöntem ile Kermany UCSD veri setinde gerçekleştirilen sınıflandırma çalışmasında sırasıyla; %96.5, %98,29, %99,56, %98,31 ve %98,3 doğruluk, F1-skoru, AUC, kesinlik ve duyarlılık değerleri elde edilmiştir. Ayrıca, yine aynı veri seti üzerinde önerilen HVİT modeli ile gerçekleştirilen sınıflandırma çalışmasında sırasıyla; %99.7, %99.7, %100, %99.9, %99.7 ve 0.99 doğruluk, F1-skoru, AUC, kesinlik, duyarlılık ve Kappa skoru elde edilmiştir. OCTDL veri setinde önerilen ESA tabanlı yöntem ile sırasıyla; %95.26, %92.16, %99.74, %93.11 ve %91.53 doğruluk, F1-skoru, AUC, kesinlik ve duyarlılık değerleri elde edilmiştir. Önerilen HVİT modeli ile de sırasıyla; %96.58, %96.06, %99.92, %96.65, %95.72 ve 0.86 doğruluk, F1-skoru, AUC, kesinlik, duyarlılık ve Kappa skoru elde edilmiştir. OCTID veri seti üzerinde önerilen ESA tabanlı yöntem ile sırasıyla; %93.81, %92.49, %99.96, %93.37 ve %92.23 doğruluk, F1-skoru, AUC, kesinlik ve duyarlılık değerleri elde edilirken, önerilen HVİT modeli ile de sırasıyla; %94.41, %94.14, %99.55, %94.02, %94.4 ve 0.82 doğruluk, F1-skoru, AUC, kesinlik, duyarlılık ve Kappa skoru elde edilmiştir. Fundus veri seti ODIR-5k üzerinde önerilen HVİT modeli ile sırasıyla; %81.14, %81.03, %97.99, %81.08, %81.16 ve 0.80 doğruluk, F1-skoru, AUC, kesinlik, duyarlılık ve Kappa skoru değerleri elde edilmiştir. Elde edilen sonuçlar, literatürde yapılan çalışmalarla kıyaslanmış ve önerilen modellerin OKT ve fundus görüntü sınıflandırma problemlerinde yüksek doğruluk, F1-skoru, Kappa skoru, kesinlik, duyarlılık ve AUC değerleriyle başarılı sonuçlar gösterdiği ortaya konulmuştur. Bununla birlikte sınıf dengesizliği ve veri çeşitliliği ile model genelleştirilebilirliği gibi faktörlerin de dikkate alınması gerektiği ve önerilen ESA ve HVİT modellerinin, klinik karar destek sistemlerinde güvenilir ve etkili çözümler sunma potansiyeline sahip olduğu sonucuna ulaşılmıştır.
Özet (Çeviri)
The classification of multi-class and multi-label images using Artificial Intelligence (AI) techniques remains a significant and actively researched problem in the literature. In this thesis, the performance of deep learning models based on Convolutional Neural Networks (CNN) and Hybrid Vision Transformer (HViT), developed for the classification of ocular diseases using Optical Coherence Tomography (OCT) and fundus images in the field of medical imaging, is evaluated on multi-class and multi-label datasets. Comprehensive experimental studies were conducted on various datasets containing OCT and fundus images to analyze the generalization capabilities of the proposed models and their comparative performance against existing methods in the literature. Experimental studies were carried out on the Kermany UCSD, OCTDL, and OCTID datasets comprising OCT images, as well as the ODIR-5K dataset containing fundus images. The OCT datasets consist of multiclass disease categories, while the ODIR-5K dataset includes both multi-class and multi-label disease annotations. To address the class imbalance problem often encountered in such datasets, various strategies were developed and implemented, including the generation of synthetic images using Generative Adversarial Networks (GANs). Using the proposed CNN-based approach on the Kermany UCSD dataset, the following classification performance metrics were achieved: 96.5% accuracy, 98.29% F1-score, 99.56% AUC, 98.31% precision, and 98.3% recall. In comparison, the proposed HViT model achieved 99.7% accuracy, 99.7% F1- score, 100% AUC, 99.9% precision, 99.7% recall, and a Kappa score of 0.99 on the same dataset. On the OCTDL dataset, the CNN-based method yielded 95.26% accuracy, 92.16% F1-score, 99.74% AUC, 93.11% precision, and 91.53% recall. The HViT model achieved 96.58% accuracy, 96.06% F1-score, 99.92% AUC, 96.65% precision, 95.72% recall, and a Kappa score of 0.86. On the OCTID dataset, the CNN-based model achieved 93.81% accuracy, 92.49% F1-score, 99.96% AUC, 93.37% precision, and 92.23% recall, while the HViT model achieved 94.41% accuracy, 94.14% F1-score, 99.55% AUC, 94.02% precision, 94.4% recall, and a Kappa score of 0.82. For the ODIR-5K fundus image dataset, the proposed HViT model achieved 81.14% accuracy, 81.03% F1-score, 97.99% AUC, 81.08% precision, 81.16% recall, and a Kappa score of 0.80. The obtained results were compared with those reported in the literature, demonstrating that the proposed models achieve high accuracy, F1-score, Kappa score, precision, recall, and AUC in OCT and fundus image classification tasks. Furthermore, it was concluded that factors such as class imbalance, data diversity, and model generalizability should be taken into account. The proposed CNN and HViT models show strong potential as reliable and effective solutions for clinical decision support systems.
Benzer Tezler
- Diyabetik retinopatili hastalarda seröz maküla dekolmanının morfolojisi ve tedavi yanıtını etkileyen parametreler
In patients with diabetic retinopathy morphology of serous maculadetachment and parameters affecting the treatment response
TUĞÇE AYDIN
Tıpta Uzmanlık
Türkçe
2023
Göz HastalıklarıKaradeniz Teknik ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
PROF. DR. HİDAYET ERDÖL
- Hidroksiklorokin kullanan hastalar ve sağlıklı gönüllülerde iki farklı elektrot ile yapılan multifokal elektroretinografi sonuçlarının değerlendirilmesi
Evaluation of multifocal electroretnography results made with two different electrodes in patients using hydroxychloroqine and healthy volunteers
MUSTAFA SUBAŞI
Tıpta Uzmanlık
Türkçe
2021
Göz HastalıklarıOndokuz Mayıs ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
PROF. DR. İNCİ GÜNGÖR
- Retina ven tıkanıklıklarında koroidin yapısal ve vasküler özellikleri
Başlık çevirisi yok
PINAR AYDIN ELLİALTIOĞLU
Tıpta Uzmanlık
Türkçe
2024
Göz HastalıklarıAnkara ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
DOÇ. DR. ÖZGE YANIK ODABAŞ
- Tamoksifen kullanımının retinaya etkisinin optik koherens tomografi (OKT) Ve OKT anjiografi (OKTA) parametreleriyle değerlendirilmesi
Evaluation of the effects of tamoxifen on the retina using optical coherence tomography (OCT) and optical coherence tomography angiography (OCTA) parameters
SONGÜL KILIÇ
Tıpta Uzmanlık
Türkçe
2025
Göz HastalıklarıSağlık Bilimleri ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
PROF. DR. AYŞE FEYZA ÖNDER
DR. MİNE ÖZTÜRK
- Takayasu arteriti hastalarında normotansif glokom belirti ve bulgularının araştırılması
Investigation of normotensive glaucoma symptoms andfindings in patients with takayasu arteritis'
ESRA BULUT KIZILAY
Tıpta Uzmanlık
Türkçe
2020
Göz Hastalıklarıİstanbul Medeniyet ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FEHİM ESEN