Yazar "Urmamen, Hafiza Esra" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim
    Öğe
    Optik Koherans Tomografi görüntüleri ile retinal hastalıkların evrişimsel sinir ağı kullanılarak teşhis edilmesi
    (Necmettin Erbakan Üniversitesi Fen Bilimleri Enstitüsü, 2023) Urmamen, Hafiza Esra; Koçer, Sabri
    Retina, görmeyi sağlayan ışığa ve renklere duyarlı ağ tabakasıdır. Retinadaki bozulmalar insanların yaşam kalitesini olumsuz etkilemektedir. Retinal hastalıkların tedavisinde gelişen teknolojiyle birlikte bilgisayarlı tanı sistemlerinin kullanımı oldukça yaygınlaşmıştır Retinada meydana gelen bozulmalar körlüğe varan ciddi sorunlara sebep olabilmekte ve retinada kalıcı hasarlar meydana gelebilmektedir. Retinal hastalıklar aniden veya yavaş yavaş görme kaybına, perdeli görüntüye, görüş alanında karanlık ve lekeli görüntüler oluşmasına neden olabilmektedir. Retinal hastalıklara erken teşhis konulması ve tedavi edilmesi büyük önem taşımaktadır. Retina tomografi görüntüleri, oftalmologlar tarafından retinal hastalıkları teşhis etmek ve gözde oluşabilecek kalıcı hasarların önlenebilmesi için kullanılmaktadır. Böylece erken teşhis ile yapılan tedaviyi kolaylaştırmış ve daha iyi klinik sonuçlar elde edilmesi sağlanmış olmaktadır. Bu çalışmada, retinal hastalıkların erken tespit edilmesi ve uygun tedavi yöntemlerinin uygulanabilmesi için Konvolüsyonel Sinir Ağları (CNN) kullanılarak bir derin öğrenme modeli önerilmektedir. Önerilen model ODIR-5K veri seti üzerinde uygulanmıştır. ODIR-5K veri seti üzerinde önerilen model veri ön işlemlerinden geçirilerek öncelikle görüntülerde farklı çözünürlük ve boyutlardaki görüntüler eşitlenmiş ardından çeşitli ön işlemlerden geçirilmiştir. Miyop, Hipertansiyon, Glokom, Yaşa Bağlı Maküler Dejenerasyon (YBMD), Diyabetik Retinopati (DR), Katarakt, normal ve diğer anormallikleri içeren sekiz farklı retinal hastalık verisi sınıflandırılmıştır. Ayrıca transfer öğrenme yöntemlerinin doğruluk (accuracy) oranı VGG19 (%98.16), ResNet50 (%98.86), Xception (%95.36), InceptionV3 (%98.2) ve önerilen evrişimli sinir ağı modeli için (%97.51) olarak elde edilmiştir. Önerilen model önceden eğitilmiş transfer öğrenme metotları ile karşılaştırıldığında Xception mimarisine kıyasla daha yüksek doğruluk değerine ulaşmıştır. VGG19, ResNet50 ve InceptionV3 mimarileriyle hastalık bazında kıyaslandığında katarakt, normal görüntüler ve diğer hastalıklara ait görüntülerin sınıflandırılmasında daha başarılı sonuçlar elde edilmiştir. Önerilen derin öğrenme tabanlı ESA modeli retinal hastalıkların erken teşhis edilmesinde umut verici sonuçlara ulaşmıştır ve retinal hastalıkların sınıflandırılmasında kullanılabilir.