GLOKOM HASTALIĞININ DERİN ÖĞRENME YÖNTEMİYLE ÖN TANISI

Abstract

ÖZET

Glokom hastalığı, dünyada görme kaybının ana nedenlerinden biri olarak tanımlanan geri dönüşü olmayan nörodejeneratif bir göz hastalığıdır. Bu göz hastalığı optik sinir lifi hasarı ile karakterize edilmektedir. Ana risk faktörü olarak bilinen göz içi basıncı yeterince yükseldiğinde optik sinire zarar vermektedir. Glokom hastalığı erken teşhis ve tedavi edilmezse geri dönüşü olmayan körlüğe neden olabilmektedir. Günümüzde yapay zekâ yaklaşımları neredeyse tüm alanlarda uygulanmaktadır. Sağlık alanında da derin öğrenme ve makine öğrenimi yaklaşımlarının kullanımı gittikçe artmaktadır. Makine öğrenimi ve derin öğrenme yaklaşımları yardımı ile hastalık teşhisi, izlemesi ve tıbbi görüntü analizi gibi görevlerde dikkate değer sonuçları göstermektedir. Bu tez çalışmasında, genelde göz hastalıklarının ve bilhassa glokom hastalığının tanısı konusunda yardımcı olan fundus görüntüleri kullanarak glokom hastalığı ön tanısı koyan özgün bir derin öğrenme modeli geliştirilmiştir. Fundus görüntüleri yardımı ile gözün iç yapısı incelenebilmektedir. Bu tez çalışmasının kapsamında halka açık olan Kaohsiung Chang Gung (KCG) Memorial Hastanesi, High Resolution Fundus (HRF), Drishti-GS1 ve Ocular Disease Intelligent Recognition (ODIR) veri setlerinden yaklaşık 4600 renkli fundus görüntüsü toplanmıştır. Toplanan görüntüler glokomlu ve sağlıklı olarak etiketlenmiş durumdadır. Görüntülere gerekli görüntü işleme teknikleri uygulandıktan sonra bu tez çalışması kapsamında oluşturulan evrişimli sinir ağı (CNN) modelinde kullanılmıştır. Geliştirilen modelin performansını değerlendirmek amacıyla doğruluk, duyarlılık, kesinlik, AUC, özgüllük, MCC ve F1-skoru metrikleri hesaplanmıştır. Sonuç olarak doğruluk, duyarlılık, kesinlik ve özgüllük sırasıyla %99.03 (± 1.53), %97.64 (± 3.21), %98.59 (± 2.84) ve %99.52 (± 0.91) olarak hesaplanmıştır. Elde edilen sonuçların literatürdeki diğer çalışmalara göre yüksek olduğu görülmüştür.

ABSTRACT

Glaucoma is a neurodegenerative ocular disorder and one of the leading causes of vision impairment worldwide. Damage to optic nerve fibers that occurs due to elevating intraocular pressure to high levels characterizes glaucoma. Early diagnosis and treatment are crucial in preventing the irreversible blindness associated with glaucoma. In recent years, artificial intelligence approaches, particularly deep learning, and machine learning, have been applied in almost all fields, including healthcare. These methodologies have exhibited remarkable capabilities in disease diagnosis, monitoring, and medical image analysis. In this thesis, a novel deep-learning model has been developed specifically for the pre-diagnosis of glaucoma using fundus images. Fundus images are valuable tools for detecting various eye ailments, including glaucoma. They enable examination of the internal structure of the eye. For this thesis, we collected a dataset consisting of around 4600 colour fundus images from multiple open-source datasets. This dataset includes Kaohsiung Chang Gung (KCG) Memorial Hospital, High-Resolution Fundus (HRF), Drishti-GS1, and Ocular Disease Intelligent Recognition (ODIR) datasets. These images were labeled as either glaucoma or healthy cases. After applying appropriate image processing techniques, a convolutional neural network (CNN) model was employed, specifically designed for this thesis. We calculated some evaluation metrics for measuring the ability of the model to classify images into glaucoma and healthy categories. These metrics include accuracy, sensitivity, precision, the area under the curve (AUC), specificity, Matthew's correlation coefficient (MCC), and the F1-score. As a result, accuracy, sensitivity, precision, and specificity were 99.03% (± 1.53), 97.64% (± 3.21), 98.59% (± 2.84), and 99.52% (± 0.91), respectively. These results surpassed those reported in previous studies.