Derin öğrenme yöntemleriyle prematüre bebeklerin retina görüntülerinin analizi
Analysis of retinal images of premature infants using deep learning methods
- Tez No: 957834
- Danışmanlar: PROF. DR. AHMET YARDIMCI, DOÇ. DR. YİĞİT ALİ ÜNCÜ
- Tez Türü: Doktora
- Konular: Biyoistatistik, Göz Hastalıkları, Biostatistics, Eye Diseases
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 82
Özet
Amaç: Bu çalışmanın amacı, prematüre retinopatisi (ROP) tanısında klinik uzmanlara yardımcı olabilecek, derin öğrenme temelli bir karar destek sistemi geliştirmektir. Bu kapsamda, prematüre bebeklere ait retina görüntüleri, modern görüntü işleme teknikleri ve derin öğrenme algoritmaları kullanılarak analiz edilerek ve ROP hastalığına ilişkin evrelerin otomatik olarak sınıflandırılması amaçlanmaktadır. Geliştirilecek sistem ile tanı sürecinin hızlandırılması, uzman bağımlılığının azaltılması ve erken müdahale ile hastalığın ilerlemesinin önlenmesi hedeflenmektedir. Yöntem: Bu hedefte, retina görüntüleri üzerinde, görüntü işleme teknikleri ile görüntü optimizasyonu ve standartlaşması sağlanmıştır. Sınıflandırma işlemi için derin öğrenme yöntemleri kullanılmıştır. Özellikle konvolüsyonel sinir ağları (CNN) gibi derin öğrenme algoritmaları kullanılarak prematüre bebeklerin retina görüntüleri analiz edilerek ve hastalığın sınıflarının (Normal-ROP0, ROP1, ROP2) otomatik olarak tespit edilmesi sağlanmıştır. Bulgular: Akdeniz Üniversitesi Tıp Fakültesinden alınan ham veri setinde toplam 13779 retina görüntüsü bulunmaktadır. Bu görüntülerdeki veriler filtrelenmiş ve çoğaltılmıştır. Son olarak 25821 retina görüntüsü elde edilmiştir. Bu veri setine CNN algoritmalarından AlexNet'te %83,5, Inception-V3 %89,1, EfficientNet-B0 ise %89,9'luk bir doğruluk oranı tespit edilmiştir. Sonuç: Görüntü iyileştirme ve derin öğrenme yöntemlerinden sonra en iyi sonucu veren yöntemin %89,9 doğruluk oranı ile EfficientNet-B0 olduğu gözlemlenmiştir. Bu modelin sınıfları ayırt etmede AUC (Area Under Curve) değerlerinin Normal-ROP0 %99, ROP1 %97, ROP2 %98 olduğu tespit edilmiştir. Doğruluk oranlarının yükseltilmesi amacıyla veri miktarının artırılması ve elde edilen görüntülerin çözünürlük ve netlik düzeylerinin iyileştirilmesi gerekmektedir.
Özet (Çeviri)
Objective: The aim of this study is to develop a deep learning-based decision support system to assist clinical experts in the diagnosis of retinopathy of prematurity (ROP). In this context, retinal images of premature infants are analyzed using modern image processing techniques and deep learning algorithms, with the goal of automatically classifying the stages of ROP. The proposed system is intended to accelerate the diagnostic process, reduce reliance on expert interpretation, and enable early intervention to prevent the progression of the disease. Method: For this purpose, image optimization and standardization were achieved on retinal images with image processing techniques. Deep learning methods were used for the classification process. In particular, deep learning algorithms such as convolutional neural networks (CNN) were used to analyze the retinal images of premature babies and the classes of the disease (Normal-ROP0, ROP1, ROP2) were automatically detected. Results: There are a total of 13779 retinal images in the raw dataset obtained from Akdeniz University Faculty of Medicine. Then, the data in these images were filtered and multiplied. Finally, 25821 retinal images were obtained. An accuracy rate of %83,5 in AlexNet, %89,1 in Inception-V3, and %89,.9 in EfficientNet-B0 was determined for this dataset from CNN algorithms. Conclusion: Following image enhancement and deep learning-based classification, the highest performance was achieved by EfficientNet-B0, with an accuracy rate of %89,9. The AUC (Area Under the Curve) values for this model were determined to be 99% for the Normal-ROP0 class, 97% for ROP1, and 98% for ROP2. To further increase classification accuracy, it is recommended to enlarge the dataset and enhance the resolution and clarity of the retinal images.
Benzer Tezler
- Diagnosis of brain cancer and contour normal tissue for radiation therapy based on deep learning methods
Derin öğrenme yöntemleriyle radyoterapi için beyin kanseri tanisi ve normal doku ayrimi
NAVID HALILI
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Derin öğrenme yöntemleriyle sentetik protein tasarımı
Synthetic protein design with deep learning methods
AYŞENUR SOYTÜRK PATAT
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBiyoinformatik Sistemler Biyolojisi Ana Bilim Dalı
DOÇ. DR. ÖZKAN UFUK NALBANTOĞLU
DOÇ. DR. ALİ TEVFİK UNCU
- Derin öğrenme yöntemleriyle karşılaştırmalı elektrik enerjisi üretim tahminleri
Comparative electrical energy production estimates with deep learning methods
MEHMET ALİ ARSLAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuş Alparslan ÜniversitesiNükleer Enerji ve Enerji Sistemleri Ana Bilim Dalı
DOÇ. ZEYDİN PALA
- Derin öğrenme yöntemleriyle imza sahteciliğinin tespiti
Detection of signature forgery with deep learning methods
MEHMET TÜRKAY YOLDAR
Yüksek Lisans
Türkçe
2024
Adli TıpAnkara ÜniversitesiAdli Bilimler Ana Bilim Dalı
PROF. DR. NERGİS CANTÜRK
PROF. DR. RECEP ERYİĞİT
- Derin öğrenme yöntemleriyle trafik işaretlerinin gerçek zamanlı sınıflandırılması
Real-time classification of traffic signs with deep learning methods
KEMAL USANMAZ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBaşkent ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELDA GÜNEY