İnsan gözünün optik koherans tomografi görüntüleri kullanılarak tıbbi tanı belirlemek için bir derin öğrenme yaklaşımı

Çevremizdeki dünyayı keşfetmemizde yardımcı olan göz, bireyler için en önemli organlardan biridir. Bireylerin yaşamlarını olumsuz etkileyen nedenler birisi de gözün görmeyi sağlayan retina bölgesindeki hastalıklar ile meydana gelen görme bozukluklarıdır. Bu hastalıkların erken dönemlerde teşhis edilip tedavi edilmesi görme kaybı riskini azaltmaktadır. Günümüzde Optik Koherans Tomografi (OKT) görüntülerini kullanarak retina hastalıklarının tespiti çalışması oldukça popüler hale gelmiştir. Özellikle derin öğrenme yöntemleri kullanımına dayanan çözümler tercih edilmektedir. Bu çalışmada, retina hastalıklarının sınıflandırılması için halkın kullanımına açık OKT görüntüleri içeren Kermany ve OCTID veri kümeleri üzerinde deneyler gerçekleştirilmiştir. Ayrıca bu iki veri kümesinin birleştirilmesi ile oluşturulan Union veri kümesi üzerinde de deneyler yürütülmüştür. Yüksek sınıflandırma başarımları göz önüne alınarak Evrişimli Sinir Ağı (ESA) tabanlı derin sinir ağı mimari modellerinden; 2B (2 Boyutlu) ESA, VGG16, VGG19, Xception ve MobileNetV2 çalışmada kullanılmıştır. Geliştirilen yazılımsal tanı aracı, uzman hekimlerin OKT görüntülerinin hangi retina hastalığına ait olduğunu test etme imkânı sağlamaktadır. Çalışmada yapılan tüm deneylerin kıyaslanması sonucunda OCTID veri kümesi üzerinde VGG19 modeli kullanılarak gerçekleştirilen sınıflandırmada %98 test doğruluğu elde edilmiştir. Tez sonuçları ile literatürdeki çalışmalar karşılaştırıldığında yüksek doğrulukta başarım elde edildiği görülmüştür.

The eye, which helps us explore the world around us, is one of the most important organs for individuals. One of the factors that negatively affects people's lives is visual impairments caused by diseases in the retina, which enables vision. Early diagnosis and treatment of these diseases reduces the risk of vision loss. Nowadays, the detection of retinal diseases using Optical Coherence Tomography (OCT) images has become very popular. Solutions based on the use of deep learning methods are especially preferred. In the study, experiments were conducted on the Kermany and OCTID datasets, which contain OCT images available to the public, for the classification of retinal diseases. Additionally, experiments were performed on the Union dataset, which is obtained by combining these two datasets. Among the deep neural network architectures based on Convolutional Neural Networks (CNN), namely 2D CNN, VGG16, VGG19, Xception, and MobileNetV2, high classification performances were achieved. With the software diagnostic tool developed in our study, expert physicians are provided with the opportunity to test which retinal disease an OCT image belongs to. As a result of the comparison of all the experiments performed in the study, 98% test accuracy was obtained in the classification using the VGG19 model on the OCTID dataset. When the results of the thesis are compared with the studies in the literature, it is seen that high accuracy is achieved.