Derin Öğrenme Yöntemleriyle Prematüre Bebeklerin Retina Görüntülerinin Analizi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Akdeniz Üniversitesi, Tıp Fakültesi, Temel Tıp Bilimleri Bölümü, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: Evren Sezgin
Asıl Danışman (Eş Danışmanlı Tezler İçin): Ahmet Yardımcı
Eş Danışman: Yiğit Ali Üncü
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın amacı, prematüre retinopatisi (ROP) tanısında klinik uzmanlara yardımcı olabilecek, derin öğrenme temelli bir karar destek sistemi geliştirmektir. Bu kapsamda, prematüre bebeklere ait retina görüntüleri, modern görüntü işleme teknikleri ve derin öğrenme algoritmaları kullanılarak analiz edilerek ve ROP hastalığına ilişkin evrelerin otomatik olarak sınıflandırılması amaçlanmaktadır. Geliştirilecek sistem ile tanı sürecinin hızlandırılması, uzman bağımlılığının azaltılması ve erken müdahale ile hastalığın ilerlemesinin önlenmesi hedeflenmektedir. Yöntem: Bu hedefte, retina görüntüleri üzerinde, görüntü işleme teknikleri ile görüntü optimizasyonu ve standartlaşması sağlanmıştır. Sınıflandırma işlemi için derin öğrenme yöntemleri kullanılmıştır. Özellikle konvolüsyonel sinir ağları (CNN) gibi derin öğrenme algoritmaları kullanılarak prematüre bebeklerin retina görüntüleri analiz edilerek ve hastalığın sınıflarının (Normal-ROP0, ROP1, ROP2) otomatik olarak tespit edilmesi sağlanmıştır. Bulgular: Akdeniz Üniversitesi Tıp Fakültesinden alınan ham veri setinde toplam 13779 retina görüntüsü bulunmaktadır. Bu görüntülerdeki veriler filtrelenmiş ve çoğaltılmıştır. Son olarak 25821 retina görüntüsü elde edilmiştir. Bu veri setine CNN algoritmalarından AlexNet'te %83,5, Inception-V3 %89,1, EfficientNet-B0 ise %89,9'luk bir doğruluk oranı tespit edilmiştir. Sonuç: Görüntü iyileştirme ve derin öğrenme yöntemlerinden sonra en iyi sonucu veren yöntemin %89,9 doğruluk oranı ile EfficientNet-B0 olduğu gözlemlenmiştir. Bu modelin sınıfları ayırt etmede AUC (Area Under Curve) değerlerinin Normal-ROP0 %99, ROP1 %97, ROP2 %98 olduğu tespit edilmiştir. Doğruluk oranlarının yükseltilmesi amacıyla veri miktarının artırılması ve elde edilen görüntülerin çözünürlük ve netlik düzeylerinin iyileştirilmesi gerekmektedir.