Oküler Hastalıkların Sınıflandırılmasında Derin Konvolüsyonel Sinir Ağı Modeli

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Eskişehir Osmangazi Üniversitesi, SAĞLIK BİLİMLERİ ENSTİTÜSÜ, BİYOİSTATİSTİK ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2021

Tezin Dili: Türkçe

Öğrenci: BÜŞRA EMİR

Danışman: Ertuğrul Çolak

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Oftalmolojide, insan gözündeki anatomik yapıları ve anomalilikleri yakalamak için bir retina görüntüleme yöntemi olan fundus görüntüleme ve erken fundus taraması, oftalmolojik hastalıkların neden olduğu körlüğü önlemenin etkili ve ekonomik bir yoludur. Klinik olarak, tıbbi kaynakların yetersizliği nedeniyle manuel teşhis zaman alıcıdır. Hastalığa ait tanı, teşhis ve tedavi durumunu geciktirebilir. Günümüzde hızlı ve otomatik hastalık tespiti, oftalmologların iş yükünü azaltmak için kritik ve acildir. Oftalmologlar, gözün ve çevresindeki yapıların doğrudan veya dolaylı olarak görselleştirilmesi yoluyla örüntü tanımaya dayalı olarak hastalıkları teşhis eder. Oftalmoloji alanının hastalık tespitinde fundus görüntülerine olan bu bağlılığı, derin öğrenme mimarilerinden yararlanmak için mükemmel bir zemin hazırlamıştır. Bu tez çalışmasının temel amacı, yapay zeka odaklı oküler hastalıkların sınıflandırma probleminin çözümlenmesini sağlamaktır. Bu kapsamda, hastaların sağ ve sol gözlerinden alınan renkli fundus görüntüleri ve her bir görüntüye ait hastalık teşhis anahtar kelimeleri olan eğitim verisi kullanılarak oküler hastalık sınıflandırması için farklı derin konvolüsyonel sinir ağı modelleri oluşturmak, bu modellerin eğitimini gerçekleştirmek, model eğitimi sonrası, test fundus görüntü kümesi kullanılarak oluşturulan modellerin hastalık sınıflandırma performans ölçütleri olan kappa değeri, F1 skoru, Eğri altında kalan alan (Area Under Curve-AUC) ve bu üç ölçütün ortalaması olan Final skoru değerlerinin hesaplanması, modellerin sınıflandırma performansının bu ölçütlere göre değerlendirilmesi, en iyi skora sahip modelin oküler hastalıkların sınıflandırılmasında kullanılması ve literatüre önerilmesi amaçlanmıştır. Yöntem: Konvolüsyonel sinir ağları (CNN), güçlü özellik öğrenme yeteneği ile fundus görüntüleri üzerinde dikkate değer bir başarı elde etmiştir ve derin öğrenmenin gelişmesiyle birlikte, oftalmoloji alanında hastalıklar üzerine yapılan araştırmalar hız kazanmıştır. Yapılan araştırmaların çoğu sadece tek bir hastalığa odaklanmıştır. Göz dibi taraması sırasında, oftalmologlar genellikle binoküler fundus görüntüsünde çoklu hastalık teşhisi verirler. Gerçek tıbbi senaryoyu karşılayabilmek için 2019 yılında ilk kez 8 farklı hastalık sınıfı içeren binoküler fundus görüntülerinden oluşan halka açık Oküler Hastalık Akıllı Tanıma (ODIR) veri seti yayınlanmıştır. Bulgular: Bu tez çalışmasında, oftalmolojik hastalıklara ait görüntülerinin sınıflandırılması için literatürde State of the Art Modelleri olarak adlandırılan ve üç başarılı model olan Inceptionv3, VGG16 ve ResNet50 CNN mimarisi oluşturulmuştur. Ön-eğitimli ImageNet ağırlıkları kullanılarak, her bir model için öznitelik çıkarımı elde edildikten sonra modellerin hastalık sınıflandırma performansları değerlendirilmiştir. Uluslararası Oküler Hastalık Akıllı Tanıma Yarışması tarafından sağlanan veri seti üzerinde eğitilen ve test edilen modeller için sırası ile Final skoru değerleri VGG16 modeli için, 0.677, Inceptionv3 modeli için 0.669, ResNet50 modeli için 0.628 bulunmuştur. Sonuç: Elde edilen yüksek doğruluk, AUC, F1 skoru, kappa değeri ve son üç ölçütün ortalaması olan en yüksek Final skor değerine sahip CNN modeli olan VGG16 modelinin fundus görüntülerinin sınıflandırılmasında kullanılabileceğini; Tıp Fakültelerinin Oftalmoloji alanında uzmanlara tanı aşamasında yardımcı bir destek rolü üstlenebileceği ve bu alanda gelecekte kullanılabilir sistemler tasarlanabileceğini göstermektedir. Anahtar Kelimeler: Görüntü Sınıflandırma, Fundus görüntüleri, Derin öğrenme, Konvolüsyonel Sinir Ağları, Ön-eğitimli ağlar, Inceptionv3, VGG16, ResNet50.