Hibrit Bir Model Oluşturarak Diyabetik Retinopati Sınıflandırılması

Abstract

Diyabetik Retinopati (DR), diyabet kaynaklı yüksek kan şekerinin retinadaki kan damarlarının geçirgenliğinde oluşturduğu hasar nedeniyle meydana gelen hastalıktır. Hastalığa erken tanı konmadığı ve tedavi edilmediği durumlarda ileri derecede göz bozukları ve görme kaybına neden olmaktadır. Komplikasyonların çoğu kan şekeri kontrolü ve erken tedavi ile önlenebilmekte ancak DR’nin karmaşıklığı ve çeşitliliği nedeniyle manuel yöntemlerle tespiti zor olmaktadır. Uzmanlar tarafından tespiti zor olan hastalıkların teşhisinde bir derin öğrenme modeli olan Evrişimsel Sinir Ağı (ESA) ile günümüzde büyük başarı elde edilmiştir. Bu çalışmada DR’nin tespiti ve derecelendirilmesi için ESA ve makine öğrenmenin beraber kullanıldığı hibrit bir model önerilmektedir. Modelimizde ESA mimarisine sahip transfer öğrenme modeli otomatik özellik çıkarıcı olarak görev yapmakta ve ResNET-50 kullanılmaktadır. Makine öğrenme algoritmaları ise sınıflandırıcı olarak görev yapmakta ve K-En Yakın Komşu Algoritması, Rastgele Orman Algoritması ve Ekstra Ağaçlar Algoritması ayrı ayrı kullanılmaktadır. Çalışmada hastalığın şiddetine göre 'Proliferatif ', 'Şiddetli', 'Orta', 'Hafif' ve 'Diyabetik retinopati yok' retina görüntülerinin yer aldığı Aptos 2019 veri seti kullanılmıştır. Veri setinde sınıf dengesizliği bulunduğundan sentetik veri artırma (SMOTE) tekniği kullanılarak sınıflar arasındaki dengesizlik giderilmiş ve veri artırımı sağlanmıştır. Eğitim ve test işlemi için veri setimize 10 kat çapraz doğruluma işlemi uygulanarak sınıflandırma işlemi gerçekleştirilmiştir. Sınıflandırma işlemi sonucunda %93 lük doğruluk ve %93 F1-skoru elde edilmiştir.

Keywords

• Evrişimsel Sinir Ağları
• Görüntü İşleme
• Diyabetik Retinopati
• K-NN
• Random Forest
• Derin öğrenme
• makine öğrenmesi
• transfer öğrenme
• resnet

Classification of Diabetic Retinopathy by Creating a Hybrid Model

Abstract

Diabetic Retinopathy (DR) is a disease that occurs due to the damage caused by high blood sugar caused by diabetes in the permeability of blood vessels in the retina. In cases where the disease is not diagnosed and treated early, it causes severe eye disorders and loss of vision. Most of the complications can be prevented with blood sugar control and early treatment, but due to the complexity and variety of DR, it is difficult to detect with manual methods. Today, great success has been achieved with the Convolutional Neural Network (ESA), which is a deep learning model in the diagnosis of diseases that are difficult to detect by experts. In this study, a hybrid model is proposed in which ESA and machine learning are used together for the detection and grading of DR. In our model, the transfer learning model with ESA architecture acts as an automatic feature extractor and ResNET-50 is used. K-Nearest Neighbor Algorithm, Random Forest Algorithm and Extra Trees Algorithm are used separately for classification. In the study, the Aptos 2019 dataset, which includes 'Proliferative', 'Severe', 'Moderate', 'Mild' and 'No diabetic retinopathy' retinal images, was used according to the severity of the disease. Since there is a class imbalance in the data set, the imbalance between the classes was eliminated and data augmentation was achieved by using the synthetic data augmentation (SMOTE) technique. Classification was carried out by applying 10-fold cross-validation to our data set for training and testing. As a result of the classification process, an accuracy of 93% and an F1-score of 93% were obtained.

Keywords

• Convolutional Neural Networks
• Image Processing
• Diabetic Retinopathy
• K-NN
• Random Forest
• Deep learning
• machine learning
• transfer learning
• resnet

References

1. Abbas, Q., Fondon, I., Auxiliadora Sarmiento, ·, Soledad Jiménez, ·, & Alemany, P. (2017). Automatic recognition of severity level for diagnosis of diabetic retinopathy using deep visual features. Med Biol Eng Comput, 55, 1959–1974. https://doi.org/10.1007/s11517-017-1638-6
2. APTOS2019. (2019). Blindness Detection. https://www.kaggle.com/c/aptos2019-blindness-detection/overview/aptos-2019.
3. Çavuşoğlu, Ü., & Kaçar, S. (2019). Veri Madenciliği Algoritmaları ile Yeni Bir Saldırı Tespit Sistemi Tasarımı ve Performans Analizleri. Academic Platform Journal of Engineering and Science, 1–1. https://doi.org/10.21541/apjes.418519
4. Coşansu, G. (2015). Diyabet: Küresel bir salgın hastalık. Okmeydanı Tıp Dergisi, 31(ek sayı), 1–6.
5. Daş, R., Polat, B., & Tuna, G. (2019). Derin Öğrenme ile Resim ve Videolarda Nesnelerin Tanınması ve Takibi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 31(2), 571–581. https://doi.org/10.35234/fumbd.608778
6. Yakar, H., K. (2018). YAŞLILIKTA DİYABETİN DİĞER BİR YÜZÜ: DİYABETİK RETİNOPATİ ve DÜŞMELER. İzmi̇r democracy university health sci̇ences journal iduhes. 13–22.
7. Fernández, A., García, S., Herrera, F., & Chawla, N. V. (2018). SMOTE for Learning from Imbalanced Data: Progress and Challenges, Marking the 15-year Anniversary. Journal of Artificial Intelligence Research, 61, 863–905. https://doi.org/10.1613/jair.1.11192
8. Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. Mach Learn, 63, 3–42. https://doi.org/10.1007/s10994-006-6226-1

9. Ghosh, R., Ghosh, K., & Maitra, S. (2017). Automatic Detection and Classification of Diabetic Retinopathy stages using CNN. https://www.kaggle.com/c/diabetic-retinopathy-detection/data
10. Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., Venugopalan, S., Widner, K., Madams, T., Cuadros, J., Kim, R., Raman, R., Nelson, P. C., Mega, J. L., & Webster, D. R. (2016). Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA, 316(22), 2402–2410. https://doi.org/10.1001/jama.2016.17216
11. He, H., & Garcia, E. A. (2009). Learning from Imbalanced Data; Learning from Imbalanced Data. IEEE Transactions on Knowledge and Data Engineering, 21. https://doi.org/10.1109/TKDE.2008.239
12. IDF. (2021). IDF Diabetes Atlas | Tenth Edition. https://www.idf.org/news/240:diabetes-now-affects-one-in-10-adults-worldwide.htmlhttps://diabetesatlas.org/atlas/tenth-edition/
13. Islam, M. R., Hasan, M. A. M., & Sayeed, A. (2020). Transfer Learning based Diabetic Retinopathy Detection with a Novel Preprocessed Layer. 2020 IEEE Region 10 Symposium, TENSYMP 2020, 888–891. https://doi.org/10.1109/TENSYMP50017.2020.9230648
14. Kashif Yaqoob, M., Farooq Ali, S., Bilal, M., Shehzad Hanif, M., Al-Saggaf, U. M., Kashif, M., Kareem, I., & Moazam Fraz, M. (2020). ResNet Based Deep Features and Random Forest Classifier for Diabetic Retinopathy Detection † “Feature-based optimized deep residual network architecture for diabetic retinopathy detection”. 1–6. https://doi.org/10.3390/s21113883
15. Kızrak, M. A., & Bolat, B. (2018). Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı Bir Araştırma. Bilişim Teknolojileri Dergisi, 263–286. https://doi.org/10.17671/gazibtd.419205
16. Kwasigroch, A., Jarzembinski, B., & Grochowski, M. (2018). Deep CNN based decision support system for detection and assessing the stage of diabetic retinopathy; Deep CNN based decision support system for detection and assessing the stage of diabetic retinopathy. Içinde 2018 International Interdisciplinary PhD Workshop (IIPhDW). https://doi.org/10.1109/IIPHDW.2018.8388337
17. Masood, S., Luthra, T., Sundriyal, H., & Ahmed, M. (2017). Identification of Diabetic Retinopathy in Eye Images Using Transfer Learning.
18. Meltek, S., & Halit, Ç. (2021). Matlap Ortamında Derin öğrenme Uygulamarı. İksad Yayınevi.
19. NEI. (2021). Diabetic Retinopathy. https://www.nei.nih.gov/learn-about-eye-health/eye-conditions-and-diseases/diabetic-retinopathy
20. Özçelik, Y. B., & Altan, A. (2021). Diyabetik Retinopati Teşhisi için Fundus Görüntülerinin Derin Öğrenme Tabanlı Sınıflandırılması. European Journal of Science and Technology, 29, 156–167. https://doi.org/10.31590/ejosat.1011806
21. Pratt, H., Coenen, F., Broadbent, D. M., Harding, S. P., & Zheng, Y. (2016). Convolutional Neural Networks for Diabetic Retinopathy. Procedia Computer Science, 90(July), 200–205. https://doi.org/10.1016/j.procs.2016.07.014
22. Pulat, M., & Kocakoç, İ. D. (2021). Türkiye’de Makine Öğrenmesi ve Karar Ağaçları Alanında Yayınlanmış Tezlerin Bibliyometrik Analizi. Manisa Celal Bayar Üniversitesi İ.İ.B.F YÖNETİM VE EKONOMİ, 28(2), 287–308.
23. Qummar, S., Khan, F. G., Shah, S., Khan, A., Shamshirband, S., Rehman, Z. U., Khan, I. A., & Jadoon, W. (2019). A Deep Learning Ensemble Approach for Diabetic Retinopathy Detection. IEEE Access, 7. https://doi.org/10.1109/ACCESS.2019.2947484
24. Rastogi, A. (2022). Resnet50. https://blog.devgenius.io/resnet50-6b42934db431
25. Ribani, R., & Marengoni, M. (2019). A Survey of Transfer Learning for Convolutional Neural Networks. Proceedings - 32nd Conference on Graphics, Patterns and Images Tutorials, SIBGRAPI-T 2019, 47–57. https://doi.org/10.1109/SIBGRAPI-T.2019.00010
26. Şeker, A., Di̇ri̇, B., & Balık, H. H. (2017). Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. Gazi Mühendislik Bilimleri Dergisi, 3(3), 47–64.
27. Shaban, M., Ogur, Z., Mahmoud, A., Switala, A., Shalaby, A., Khalifeh, H. A., Ghazal, M., Fraiwanid, L., Giridharan, G., Sandhu, H., & El-Bazid, A. S. (2020). A convolutional neural network for the screening and staging of diabetic retinopathy. https://doi.org/10.1371/journal.pone.0233514
28. Shanthi, T., & Sabeenian, R. S. (2019). Modified Alexnet architecture for classification of diabetic retinopathy images. Computers and Electrical Engineering, 76. https://doi.org/10.1016/j.compeleceng.2019.03.004
29. Sibel, İ. (2014). Diabetik Retinopati ve Etiyopatogenezi. Kocatepe Tıp Dergisi, 15(2), 207–217.
30. Takcı. (2020). TEORİ VE UYGULAMADA VERİ MADENCİLİĞİ. Nobel Akademik Yayıncılık.
31. Taufiqurrahman, S., Handayani, A., Hermanto, B. R., & Mengko, T. L. E. R. (2020). Diabetic Retinopathy Classification Using A Hybrid and Efficient MobileNetV2-SVM Model. IEEE Region 10 Annual International Conference, Proceedings/TENCON, 2020-Novem, 235–240. https://doi.org/10.1109/TENCON50793.2020.9293739
32. TEMD. (2020). Diabetes Mellitus Ve Komplikasyonlarının Tanı, Tedavi Ve İzlem Kılavuzu (2020). 14. Baskı (Çevrimiçi Yayın) : 25 Haziran 2020.
33. TÜRKDİAB. (2019). Diyabet Tanı ve TedaviRehberi.
34. Veranyurt, Ü., Deveci, A. F., & Esen, M. F. (2020). MAKİNE ÖĞRENMESİ TEKNİKLERİYLE HASTALIK SINIFLANDIRMASI: RANDOM FOREST, K-NEAREST NEIGHBOUR VE ADABOOST ALGORİTMALARI UYGULAMASI DISEASE CLASSIFICATION BY MACHINE LEARNING TECHNIQUES: RANDOM FOREST, K-NEAREST NEIGHBOR AND ADABOOST ALGORITHMS APPLICATIONS. Usaysad Derg, 6(2), 275–286.
35. WHO. (2021). Diabetes. World Health Organization. https://www.who.int/news-room/fact-sheets/detail/diabetes
36. Yalcin, N., Alver, S., & Uluhatun, N. (2018). Classification of retinal images with deep learning for early detection of diabetic retinopathy disease. 26th IEEE Signal Processing and Communications Applications Conference, SIU 2018.