Derin Öğrenme ve Özellik Seçimi Yaklaşımları Kullanılarak Göz Hastalıkları Tespiti

Year 2024, , 421 - 433, 30.06.2024

Ahmet Ciran , Erdal Özbay

https://doi.org/10.24012/dumf.1465929

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.

Keywords

Göz hastalıkları, Derin öğrenme, Özellik seçimi, PSO, Bayesian

References

• [1] V. Ayzenberg, F. S. Kamps, D. D. Dilks, ve S. F. Lourenco, “Skeletal representations of shape in the human visual cortex”, Neuropsychologia, c. 164, s. 108092, 2022.
• [2] R. R. A. Bourne vd., “Causes of vision loss worldwide, 1990–2010: a systematic analysis”, The lancet global health, c. 1, sayı 6, ss. e339–e349, 2013.
• [3] N. Congdon vd., “Causes and prevalence of visual impairment among adults in the United States.”, Archives of Ophthalmology (Chicago, Ill.: 1960), c. 122, sayı 4, ss. 477–485, 2004.
• [4] T. Li vd., “Applications of deep learning in fundus images: A review”, Medical Image Analysis, c. 69, s. 101971, 2021.
• [5] H. Halıcı, “Yeni bir fakoemülsifikasyon cihazı tasarımı ve uygulaması”. Fen Bilimleri Enstitüsü, 2004.
• [6] S. H. Gözoğlu, “Mikroinsizyonel katarakt cerrahisi ile lens ekstraksiyonu ve arka kamara göz içi lensi yerleştirilmesi sonrası postoperetif sonuçların incelenmesi”, TC Haseki Eğitim Araştırma Hastanesi Göz Hastalıkları Kliniği. Uzmanlık tezi, danışman: Doç. Dr. Feyza Önder, 2006.
• [7] M. Duman, “Fakoemülsifikasyon sırasında arka kapsül yırtığı gelişmesi sonrası arka kamara göz içi lensi uygulanan olgularımızın klinik sonuçları”, TC Sağlık Bakanlığı İstanbul Eğitim ve Araştırma Hastanesi Göz Hastalıkları Kliniği. Uzmanlık tezi, danışman: Doç. Dr. Kadir Eltutar, 2006.
• [8] M. Blair, “Diabetes mellitus review.”, Urologic nursing, c. 36, sayı 1, 2016.
• [9] J. B. Cole ve J. C. Florez, “Genetics of diabetes mellitus and diabetes complications”, Nature reviews nephrology, c. 16, sayı 7, ss. 377–390, 2020.
• [10] R. E. Washington, T. J. Orchard, V. C. Arena, R. E. LaPorte, A. M. Secrest, ve E. S. Tull, “All-cause mortality in a population-based type 1 diabetes cohort in the US Virgin Islands”, Diabetes research and clinical practice, c. 103, sayı 3, ss. 504–509, 2014.
• [11] N. G. Congdon, D. S. Friedman, ve T. Lietman, “Important causes of visual impairment in the world today”, Jama, c. 290, sayı 15, ss. 2057–2060, 2003.
• [12] A. Sinclair, P. Saeedi, A. Kaundal, S. Karuranga, B. Malanda, ve R. Williams, “Diabetes and global ageing among 65–99-year-old adults: Findings from the International Diabetes Federation Diabetes Atlas”, Diabetes research and clinical practice, c. 162, s. 108078, 2020.
• [13] L. Zhou, Y. Zhao, J. Yang, Q. Yu, ve X. Xu, “Deep multiple instance learning for automatic detection of diabetic retinopathy in retinal images”, IET Image Processing, c. 12, sayı 4, ss. 563–571, 2018.
• [14] D. R. Nayak, D. Das, B. Majhi, S. V Bhandary, ve U. R. Acharya, “ECNet: An evolutionary convolutional network for automated glaucoma detection using fundus images”, Biomedical Signal Processing and Control, c. 67, s. 102559, 2021.
• [15] Y.-C. Tham, X. Li, T. Y. Wong, H. A. Quigley, T. Aung, ve C.-Y. Cheng, “Global prevalence of glaucoma and projections of glaucoma burden through 2040: a systematic review and meta-analysis”, Ophthalmology, c. 121, sayı 11, ss. 2081–2090, 2014.
• [16] A. Esteva vd., “Dermatologist-level classification of skin cancer with deep neural networks”, nature, c. 542, sayı 7639, ss. 115–118, 2017.
• [17] M. Uddin vd., “Brain-expressed exons under purifying selection are enriched for de novo mutations in autism spectrum disorder”, Nature genetics, c. 46, sayı 7, ss. 742–747, 2014.
• [18] L. Clifton, D. A. Clifton, M. A. F. Pimentel, P. J. Watkinson, ve L. Tarassenko, “Gaussian processes for personalized e-health monitoring with wearable sensors”, IEEE Transactions on Biomedical Engineering, c. 60, sayı 1, ss. 193–197, 2012.
• [19] Y. Hatanaka vd., “Vertical cup-to-disc ratio measurement for diagnosis of glaucoma on fundus images”, içinde Medical Imaging 2010: Computer-Aided Diagnosis, SPIE, 2010, ss. 945–952.
• [20] J. Carrillo, L. Bautista, J. Villamizar, J. Rueda, ve M. Sanchez, “Glaucoma detection using fundus images of the eye”, 2019 XXII Symposium on Image, Signal Processing and Artificial Vision (STSIVA), IEEE, 2019, ss. 1–4.
• [21] H. Pratt, F. Coenen, D. M. Broadbent, S. P. Harding, ve Y. Zheng, “Convolutional neural networks for diabetic retinopathy”, Procedia computer science, c. 90, ss. 200–205, 2016.
• [22] E. Özbay, “An active deep learning method for diabetic retinopathy detection in segmented fundus images using artificial bee colony algorithm”, Artificial Intelligence Review, c. 56, sayı 4, ss. 3291–3318, 2023.
• [23] R. Asaoka, H. Murata, A. Iwase, ve M. Araie, “Detecting preperimetric glaucoma with standard automated perimetry using a deep learning classifier”, Ophthalmology, c. 123, sayı 9, ss. 1974–1980, 2016.
• [24] F. Ağalday ve A. Çınar, “Derin Öğrenme Mimarilerini Kullanarak Katarakt Tespiti”, Avrupa Bilim ve Teknoloji Dergisi, sayı 28, ss. 1428–1433, 2021.
• [25] B. Metin ve B. Karasulu, “Derin Öğrenme Modellerini Kullanarak İnsan Retinasının Optik Koherans Tomografi Görüntülerinden Hastalık Tespiti”, Veri Bilimi, c. 5, sayı 2, ss. 9–19, 2022.
• [26] G. Venkat Doddi, “No Title”, Kaggle. Erişim: 15 Mart 2024. [Çevrimiçi]. Available at: https://www.kaggle.com/datasets/gunavenkatdoddi/eye-diseases-classification
• [27] K. Fırıldak ve M. F. Talu, “Evrişimsel sinir ağlarında kullanılan transfer öğrenme yaklaşımlarının incelenmesi”, Computer Science, c. 4, sayı 2, ss. 88–95, 2019.
• [28] Y. LeCun, Y. Bengio, ve G. Hinton, “Deep learning”, nature, c. 521, sayı 7553, ss. 436–444, 2015.
• [29] H. Durmuş, E. O. Güneş, ve M. Kırcı, “Disease detection on the leaves of the tomato plants by using deep learning”, içinde 2017 6th International conference on agro-geoinformatics, IEEE, 2017, ss. 1–5.
• [30] G. Huang, Z. Liu, L. Van Der Maaten, ve K. Q. Weinberger, “Densely connected convolutional networks”, içinde Proceedings of the IEEE conference on computer vision and pattern recognition, 2017, ss. 4700–4708.
• [31] D. Al-Rubaye ve S. Ayvaz, “Deep Transfer Learning and Data Augmentation for Food Image Classification”, içinde 2022 Iraqi International Conference on Communication and Information Technologies (IICCIT), IEEE, 2022, ss. 125–130.
• [32] M. Yildirim, S. Kiziloluk, S. Aslan, E. Sert, "A new hybrid approach based on AOA, CNN and feature fusion that can automatically diagnose Parkinson's disease from sound signals: PDD-AOA-CNN", Signal, Image and Video Processing, 18(2), 1227-1240, 2024.
• [33] S. Kiziloluk, M. Yildirim, H. Bingol, B. Alatas, "Multi-feature fusion and dandelion optimizer based model for automatically diagnosing the gastrointestinal diseases", PeerJ Computer Science, 10, e1919, 2024.
• [34] S. Akyol, M. Yildirim, B. Alatas, "Multi-feature fusion and improved BO and IGWO metaheuristics based models for automatically diagnosing the sleep disorders from sleep sounds", Computers in Biology and Medicine, 157, 106768, 2023.
• [35] F. A. Özbay, "A modified seahorse optimization algorithm based on chaotic maps for solving global optimization and engineering problems", Engineering Science and Technology, an International Journal, 41, 101408, 2023.
• [36] R. Eberhart ve J. Kennedy, “A new optimizer using particle swarm theory”, içinde MHS’95. Proceedings of the sixth international symposium on micro machine and human science, Ieee, 1995, ss. 39–43.
• [37] J. Kennedy ve R. Eberhart, “Particle swarm optimization”, içinde Proceedings of ICNN’95-international conference on neural networks, ieee, 1995, ss. 1942–1948.
• [38] E. H. Houssein, A. G. Gad, K. Hussain, ve P. N. Suganthan, “Major advances in particle swarm optimization: theory, analysis, and application”, Swarm and Evolutionary Computation, c. 63, s. 100868, 2021.
• [39] Z. Keita, “Classification in Machine Learning: An Introduction”, Datacamp. Erişim: 27 Mart 2024. [Çevrimiçi]. Available at: https://www.datacamp.com/blog/classification-machine-learning
• [40] A. U. Özkaya, M. E. Kaya, ve F. Gürgen, “Destek vektör makineleri kullanilarak aritmi siniflandirmasi”, Biyomedikal Müh. Ulusal Toplantisi, 2005.
• [41] R. Tanaka ve H. Iwata, “Bayesian optimization for genomic selection: a method for discovering the best genotype among a large number of candidates”, Theoretical and applied genetics, c. 131, ss. 93–105, 2018.
• [42] E. Özbay ve F. A. Özbay, “Derin Öğrenme ve Sınıflandırma Yaklaşımları ile BT görüntülerinden Covid-19 Tespiti”, Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 12(2), 211-219, 2021.
• [43] I. Topaloglu, "Deep learning based convolutional neural network structured new image classification approach for eye disease identification", Scientia Iranica, 30(5), 1731-1742, 2023.
• [44] Y. Pan, J. Liu, Y. Cai, X. Yang, Z. Zhang, H. Long, Z. Tan, "Fundus image classification using Inception V3 and ResNet-50 for the early diagnostics of fundus diseases", Frontiers in Physiology, 14, 1126780, 2023.
• [45] S. Al-Fahdawi, A.S. Al-Waisy, D.Q. Zeebaree, R. Qahwaji, H. Natiq, M.A. Mohammed, M. Deveci, "Fundus-deepnet: Multi-label deep learning classification system for enhanced detection of multiple ocular diseases through data fusion of fundus images", Information Fusion, 102, 102059, 2024
• [46] G. Sun, X. Wang, L. Xu, C. Li, W. Wang, Z. Yi, C. Chen, "Deep learning for the detection of multiple fundus diseases using ultra-widefield images", Ophthalmology and Therapy, 12(2), 895-907, 2023.