Derin Öğrenme ve Özellik Seçimi Yaklaşımları Kullanılarak Göz Hastalıkları Tespiti

Abstract

Göz sağlığı, önemli bir halk sağlığı konusudur ve göz hastalıkları dünya çapında ciddi sağlık sorunlarına neden olmaktadır. Göz hastalıkları, görme yeteneğini etkileyebilen ve yaşam kalitesini önemli ölçüde azaltabilen çeşitli sağlık sorunlarıdır. Bunlar arasında normal göz sağlığı, glukom, diyabetik retinopati ve katarakt önemli yer tutmaktadır. Bu hastalıkların erken tanınması ve uygun tedavi yöntemlerinin uygulanması, göz sağlığının korunması ve görme kayıplarının en aza indirilmesi açısından hayati öneme sahiptir. Son dönemlerde, göz hastalıklarının teşhisi için yapay zekâ tekniklerinin kullanımı yaygınlaşmaktadır. Bu teknikler, görüntü analizi ve derin öğrenme gibi ileri algoritmaları içerir ve hastalıkların erken teşhisi ve tedavisi için önemli bir araç haline gelmektedir. Bu çalışmada, göz hastalıklarının fundus görüntülerinden doğru teşhis edilmesi için derin öğrenme ve özellik seçimi yöntemlerinin kombinasyonu yoluyla metasezgisel yöntemlerle optimize edilmiş bir metodoloji geliştirilmiştir. Bu çalışmada, dört sınıflı bir veri setinden elde edilen görüntüler üzerinde özellik çıkarımı için önceden eğitilmiş derin öğrenme mimarileri olan ResNet101, DenseNet201 ve DarkNet53 kullanılmıştır. Bu mimarilerden elde edilen özellikler birleştirilerek bir hibrit özellik havuzu oluşturulmuştur. Oluşturulan bu havuz, görüntülerin daha etkili bir şekilde temsil edilmesini sağlamak için kullanılmıştır. Elde edilen özelliklerin içinden önemsiz olanları elemek için metasezgisel bir optimizasyon yöntemi olan parçacık sürü optimizasyonu (PSO) kullanılmıştır. Görüntülerin sınıflandırılması için makine öğrenmesi yöntemlerinden olan destek vektör makinesi (SVM) tercih edilmiştir. SVM'in performansını artırmak amacıyla, hiperparametrelerin seçimi için Bayesian optimizasyon yöntemi kullanılmıştır. Bu optimizasyon tekniği, SVM'nin daha iyi bir şekilde ayarlanmasına ve veri setine uyum sağlamasına yardımcı olmuştur. Deneysel çalışmaların sonuçlarına göre, sınıflandırma doğruluğu %93.8 olarak belirlenmiştir. Bu sonuçlar, önerilen yöntemin göz hastalıklarının tespitinde etkili bir araç olarak kullanılabileceğini göstermektedir. Bu çalışma, yapay zeka tekniklerinin tıbbi görüntüleme alanında önemli bir rol oynayabileceğini ve göz hastalıklarının erken teşhisinde kullanılabilecek potansiyel bir araç olduğunu vurgulamaktadır.