DERİN ÖĞRENME TEKNİKLERİ İLE FUNDUS GÖRÜNTÜLERİNDEN GLOKOM HASTALIĞI TESPİTİ

Abstract

Günümüzde insan nüfusunun hızlı bir şekilde artması sağlık alanında iş yükünün artmasına neden olmuştur. Doktor ve hastalar açısından hastalıkların erken tanı, teşhisi ve tedavi yöntemleri son derece önemli hale gelmiştir. İnsan gözündeki fizyolojik değişikliklerin tanımlanması, sağlık sektöründe zorlu bir görevdir. Bu nedenle retinal görüntü analizi, günümüzde hastalık tespit sistemlerinde hastalığın taranması ve teşhisinde araştırmacılar arasında daha fazla ilgi görmüştür. Özellikle tespit edilmesi zor hastalıkların erken teşhisi insan hayatının devamlılığı açısından önem arz etmektedir. Glokom hastalığı temel olarak gözdeki optik sinirin bozulmasından kaynaklanan bir göz hastalığıdır. Başlangıç evresinde kesin tanı açsından belirti göstermeyen bu hastalığın erken tespiti oldukça zordur. Bu çalışmada, genel erişime açık retinal fundus görüntülerinden glokom hastalığı tespiti metasezgisel optimizasyon algoritması ile birleştirilmiş derin öğrenme yaklaşımının kullanıldığı bir yöntem önerilmiştir. Önerilen yöntemde, öncelikle retinal fundus görüntülerinden oluşan veri kümesinden Evrişimli Sinir Ağı mimarilerinden DenseNet201 ve Inceptionv3 mimarisi ile özellik çıkarımı yapılmıştır. Veri kümesinden ilgisiz özellikleri elemek ve ideal verilere ulaşmak için metasezgisel optimizasyon algoritmalarından Balina Optimizasyon Algoritması (BOA) ve Parçacık Sürü Optimizasyonu (PSO) kullanılmıştır. BOA ve PSO farklı popülasyon büyüklükleri ve iterasyon sayılarına göre optimal özellik seçiminde kullanılmıştır. Orijinal veri kümesi ve ile özellik seçimi yapıldıktan sonra elde edilen yeni veri kümelerine Naive Bayes, Destek Vektör Makinesi, K-En Yakın Komşu, Karar Ağacı, Logistic Regression ve Topluluk Öğrenme sınıflandırıcıları uygulanmıştır. Sınıflandırma algoritmalarının performanslarının değerlendirilmesi aşamasında ise doğruluk, duyarlılık, özgüllük ve f1-ölçütü metrikleri kullanılmıştır. Elde edilen sonuçlara göre BOA ve PSO ile belirlenen alt veri kümelerinden sınıflandırıcının performanslarında umut verici değerler elde edildiği gözlemlenmiştir.Today, the rapid increase in the human population has caused an increase in the workload in the field of healthcare. Early diagnosis, diagnosis and treatment methods of diseases have become extremely important for doctors and patients. Identifying physiological changes in the human eye is a challenging task in the healthcare industry. For this reason, retinal image analysis has attracted more attention among researchers in disease screening and diagnosis in disease detection systems today. Early diagnosis of diseases that are especially difficult to detect is important for the continuity of human life. Glaucoma is an eye disease that is basically caused by the deterioration of the optic nerve in the eye. Early detection of this disease, which does not show any symptoms in terms of definitive diagnosis in its initial stage, is very difficult. In this study, a method for detecting glaucoma disease from publicly accessible retinal fundus images using a deep learning approach combined with a metaheuristic optimization algorithm is proposed. In the proposed method, feature extraction was first made from the dataset consisting of retinal fundus images with DenseNet201 and Inceptionv3 architectures, which are Convolutional Neural Network architectures. Whale Optimization Algorithm (BOA) and Particle Swarm Optimization (PSO), metaheuristic optimization algorithms, were used to eliminate irrelevant features from the dataset and reach ideal data. BOA and PSO were used in optimal feature selection according to different population sizes and iteration numbers. After the original data set and feature selection were made, Naive Bayes, Support Vector Machine, K-Nearest Neighbor, Decision Tree, Logistic Regression, and Ensemble Learning classifiers were applied to the new data sets obtained. Accuracy, sensitivity, specificity, and f1-criterion metrics were used to evaluate the performance of the classification algorithms. According to the results obtained, it was observed that promising values were obtained in the performance of the classifier from the sub-datasets determined by BOA and PSO.