Optik Koherans Tomografi görüntüleri ile retinal hastalıkların evrişimsel sinir ağı kullanılarak teşhis edilmesi

Abstract

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.

The retina is a light-sensitive layer that enables vision and perception of colors. Disturbances in the retina negatively affect people's quality of life. With the advancement of technology in the treatment of retinal diseases, the use of computer-aided diagnostic systems has become widespread. Disturbances occuring in the retina can lead to serious problems, including blindness and permanent damage to the retina. Retinal diseases can result in sudden or gradual vision loss, blurred vision, dark and blotchy images in the field of view. Early diagnosis and treatment of retinal diseases are of great importance. Retinal tomography images are used by ophthalmologists to diagnose retinal diseases and prevent possible permanent damage in the eye. Thus, early diagnosis facilitates treatment and ensures better clinical outcomes. In this study, a deep learning model using Convolutional Neural Networks (CNNs) is proposed for the early detection of retinal diseases and the application of appropriate treatment methods. The proposed model is applied on the ODIR-5K dataset. The ODIR-5K dataset contains retinal images of eight different types of diseases, including Myopia, Hypertension, Glaucoma, Age-related Macular Degeneration (ARMD), Diabetic Retinopathy (DR), Cataract, Other abnormalities, and normal individuals. The images in the ODIR-5K dataset were first equalized to have consistent resolution and dimensions, and then underwent preprocessing steps including histogram equalization using the clahe method. Scaling operations were also performed. Furthermore, the accuracy rates of transfer learning methods were obtained as follows: VGG19 (98.16%), ResNet50 (98.86%), Xception (95.36%), InceptionV3 (98.2%) and the proposed convolutional neural network model (97.51%). The proposed model achieved better classification results for images of cataracts and normal retinas compared to pre-trained transfer learning methods. The proposed deep learning-based CNN model can be used for the early detection of retinal diseases.