Yapay zekâ yöntemleri ile multifokal elektroretinogram ve görme alanı verilerini kullanarak Retinitis Pigmentosa hastalığının değerlendirilmesi
Evaluation of Retinitis Pigmentosa disease using multifocal electroretinogram and visual field data with artificial intelligence methods
- Tez No: 963547
- Danışmanlar: PROF. DR. AYŞEGÜL GÜVEN
- Tez Türü: Doktora
- Konular: Mühendislik Bilimleri, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 188
Özet
Retinitis Pigmentosa (RP), fotoreseptör hücrelerinin kaybı sonucu oluşan kalıtsal bir retina hastalığıdır. Bu hastalığın otomatik teşhisi ve evrelemesi, erken müdahale ve etkili tedavi planlaması için önemlidir. Bu tez kapsamında, RP evrelerini sınıflandırmak için Görme Alanı (GA) ve Multifokal Elektroretinogram (MfERG) verilerine dayalı olarak derin öğrenme ve makine öğrenmesi yöntemleri kullanılarak üç farklı deneysel çalışma yapılmıştır. Birinci deneysel çalışmada, MfERG yanıtlarından elde edilen zamansal öznitelikler kullanılarak RP'nin evreleri ile sağlıklı bireyler değerlendirilmiş ve karşılaştırılmıştır. Daha sonra bu öznitelikler ilk kez makine öğrenmesi algoritmalarına giriş olarak verilerek RP'nin evreleri sınıflandırılmıştır. İkinci deneysel çalışmada, RP'nin otomatik tanımlanması ve evrelemesi için ilk kez MfERG'den elde edilen P1 dalga genlikleri haritaları kullanılmıştır. Ham verileri; görüntü önişleme, geleneksel görüntü artırma ve Üretken Çekişmeli Ağlar teknikleriyle geliştirerek kapsamlı veri kümeleri oluşturulmuş, ardından transfer öğrenme mimarileriyle sınıflandırma işlemleri gerçekleştirilmiştir. Üçüncü deneysel çalışmada, GA gri skala haritalarından (GLCM ve gri ton) ve MfERG P1 dalga genlikleri haritalarından (RGB ve HSV) çıkarılan istatistiksel özniteliklere dayalı RP evrelerinin makine öğrenmesi modelleriyle sınıflandırılması gerçekleştirilmiştir. Ayrıca Rastgele Orman algoritmasıyla öznitelik seçimi yapılarak sınıflandırma performansı yeniden değerlendirilmiştir. Elde edilen bulgular, önerilen deneysel çalışmaların, RP evrelerinin MfERG ve GA verileri kullanılarak yapay zekâ destekli yöntemlerle otomatik, hızlı ve doğru bir şekilde belirlenebileceğini ortaya koymuştur.
Özet (Çeviri)
Retinitis Pigmentosa (RP) is a hereditary retinal disease caused by the loss of photoreceptor cells. The automatic diagnosis and staging of the disease is important for early intervention and effective treatment planning. Within the framework of this thesis, three different experimental works were conducted using deep learning and machine learning methods based on Visual Field (VF) and Multifocal Electroretinogram (MfERG) data to classify RP stages. In the first experimental work, time-based features obtained from MfERG responses were used to evaluate and compare RP stages with healthy individuals. These features were then input into machine learning algorithms for the first time to classify RP stages. In the second experimental work, P1 wave amplitude maps obtained from MfERG were used for the first time for the automatic identification and staging of RP. Raw data were enhanced using image preprocessing, traditional image augmentation, and Generative Adversarial Networks techniques to generate comprehensive datasets, followed by classification using transfer learning architectures. In the third experimental work, RP stages were classified using machine learning models based on statistical features extracted from VF grayscale maps (GLCM and grayscale) and MfERG P1 wave amplitudes maps (RGB and HSV). Additionally, feature selection was performed using the Random Forest algorithm, and the classification performance was evaluated again. The findings revealed that the proposed experimental works demonstrate that RP stages can be automatically, quickly, and accurately determined using artificial intelligence-supported methods with MfERG and GA data.
Benzer Tezler
- Glioblastoma hastalarında radyomik özellikler ve klinik verilerin analizi
Analysis of radiomic features and clinical data in glioblastoma patients
ECE ATAK
Tıpta Uzmanlık
Türkçe
2025
Radyasyon OnkolojisiAkdeniz ÜniversitesiRadyasyon Onkolojisi Ana Bilim Dalı
DOÇ. DR. TİMUR KOCA
- Descemet membran endotelyal keratoplasti sonrası kornea endotel hücrelerinin in vivo konfokal mikroskopi ve makine öğrenme tabanlı analizi, greft sağlığının değerlendirilmesi ve klinik korelasyonu
In vivo confocal microscopy and machine learning based analysis of corneal endothelial cells after descemet membrane endothelial keratoplasty, evaluation of graft health and clinical correlation
FEYZA DİCLE IŞIK
Tıpta Uzmanlık
Türkçe
2024
Göz HastalıklarıSağlık Bilimleri ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
DOÇ. DR. EMİNE ESRA KARACA
- Dejeneratif omurga hastalıklarının sınıflandırılması için docker konteynerleri tabanlı multimodal derin öğrenme yaklaşımları
Docker-based multimodal deep learning approaches for the classification of degenerative spinal diseases
HASAN YİĞİT
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMuğla Sıtkı Koçman ÜniversitesiYapay Zeka Ana Bilim Dalı
DOÇ. DR. İBRAHİM ÖNDER YENİÇERİ
- Video oyun yaş etiketlerinin çok modlu biyosinyaller ve yapay zeka ile tahmini
Prediction of video game age labels with multimodal biosignals and artificial intelligence
DURMUŞ KOÇ
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
DOÇ. DR. ZÜMRÜT SATI
DOÇ. DR. AHMET ÇAĞDAŞ SEÇKİN
- Yoğun bakım hastalarının mortalite ve hastanede kalma sürelerinin derin öğrenme yöntemleri ile tahmini
Prediction of mortality and length of stay of icu patients with deep learning
BATUHAN BARDAK
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTOBB Ekonomi ve Teknoloji ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET TAN