Detection and classification of diabetic retinopathy disease using deep learning methods and embedded system
Diyabetik retinopati hastalığının derin öğrenme yöntemleri ve gömülü sistem kullanımıyla tespiti ve sınıflandırılması
- Tez No: 981538
- Danışmanlar: PROF. DR. UFUK BAL
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Muğla Sıtkı Koçman Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Diyabetik retinopati, diyabetin bir komplikasyonu olup körlüğe neden olabilen önemli bir göz sağlığı sorunudur. Son yıllarda yapay zekâ teknolojilerinde görülen hızlı gelişmeler bu teknolojilerin sağlık alanında kullanımını her geçen gün arttırmaktadır. Benzer şekilde elektronik hesaplama donanımlarının kapasitesindeki hızlı artış yapay zekâ algoritmalarının gömülü sistemlerde kullanımını yaygınlaştırmaktadır. Bu nedenlerle, bu tez halk sağlığı açısından ciddi bir risk oluşturan diyabetik retinopatinin tespiti ve sınıflandırılmasına odaklanmaktadır. Çalışma, derin öğrenme modellerinin hiperparametre optimizasyonunu, bir sınıflandırma modelinin geliştirilmesini ve bir sınıflandırma cihazının tasarlanıp uygulanmasını içermektedir. Hiperparametre optimizasyonu çalışmalarında, literatürde bildiğimiz kadarıyla daha önce diyabetik retinopatinin tespiti ve sınıflandırılması amacıyla kullanılmamış olan Ergen Kimlik Arama Algoritması ve Büyük Patlama-Büyük Çöküş optimizasyon algoritmaları kullanılmış; elde edilen sonuçlar Bayesyen tabanlı hiperparametre optimizasyon sonuçları ile karşılaştırılmıştır. Her iki algoritma da Bayesyen tabanlı yaklaşımlara kıyasla doğruluk ve yakınsama hızı açısından daha üstün performans göstermiştir. Derin öğrenme modeli geliştirme sürecinde Büyük Patlama-Büyük Çöküş optimizasyon algoritması ile hiperparametre optimizasyonu yapılan ve odak kaybı fonksiyonu ile güçlendirilen evrişimsel sinir ağları kullanılarak bir istiflenmiş topluluk öğrenme modeli geliştirilmiştir. Geliştirilen model, literatürdeki benzer çalışmalardan daha iyi performans göstererek %86,55 doğruluk oranına ulaşmıştır. Ayrıca diğer metriklerde de önemli performans artışı sağlanmıştır. Son olarak, farklı bir derin öğrenme modeli gömülü sisteme yerleştirilmiş ve diğer bileşenler bir araya getirilerek kompakt bir sınıflandırma cihazı oluşturulmuş; cihazın performansı, çıkarım süresi ve saniyedeki kare sayısı değerleri kullanılarak analiz edilmiştir.
Özet (Çeviri)
Diabetic retinopathy is a complication of diabetes and a significant eye health issue that can lead to blindness. Rapid developments in artificial intelligence technologies in recent years are increasing the use of these technologies in the field of health day by day. Similarly, the rapid increase in the capacity of electronic computing hardware makes the use of artificial intelligence algorithms widespread in embedded systems. For these reasons, this thesis focuses on the detection and classification of diabetic retinopathy, a complication that poses a serious public health risk. The study includes hyperparameter optimization of deep learning models, the development of a classification model, and the design and implementation of a classification device. In hyperparameter optimization studies, the Adolescent Identity Search Algorithm and the Big Bang-Big Crunch optimization algorithm, which, to the best of our knowledge, have not previously been used in the literature for the detection and classification of diabetic retinopathy, were employed; the results obtained were compared with those of Bayesian-based hyperparameter optimization. Both algorithms outperformed Bayesian-based approaches in terms of accuracy and convergence speed. During the development of the deep learning model, a stacked ensemble learning model was constructed using convolutional neural networks that were hyperparameter-optimized using the Big Bang-Big Crunch optimization algorithm and enhanced with the focal loss function. The developed model achieved 86.55% accuracy, outperforming similar studies in the literature. Furthermore, significant performance improvements were achieved in other metrics. Finally, a different deep learning model was deployed to the embedded system, and a compact classification device was created by integrating other components; the device's performance was analyzed using inference time and frames per second metrics.
Benzer Tezler
- NaI (TI) dedektörleri için toplam verim ve tüm enerji pik duyarlığının Monte Carlo metodu ile elde edilmesi
Başlık çevirisi yok
N. REMZİYE ERGÜL
- Çorum toprak sanayii malzeme sahası olarak Sazköy killerinin etüdü
The Investigation of the Sazköy clays as meterial deposit for Çorum brick and the industry
METİN ARSLAN
- 5 Cl Pu-Be nötron kaynağı kullanarak aktivasyon analizi ile analizi mümkün olan elementlerin dedeksiyon limitlerinin tespiti
Investigation of the possibility in analysis of elements by activation analysis and determination of detection limits of proposed elements using a 5 Cl Pu-Be neutron source
İSMET ÇELENK
- Lohusalıkta anneye verilen sağlık eğitiminin annenin doğum sonrası döneme ilişkin bilgi düzeyine etkisinin incelenmesi
Başlık çevirisi yok
HANDAN GÜLER
- Temel boyutlarıyla müziksel işitmenin incelenmesi
Research in musical audibility with it's basic dimensions
MEHLİKA DÜNDAR
