Derin Öğrenme ile Görme Alanının Analiz Ederek Glokom Hastalığının Teşhisi

Abstract

Genellikle göz tansiyonu veya karasu olarak bilinen glokom, göz içi basıncının artmasının neden olduğu önemli bir sağlık sorunudur ve görme kaybına neden olabilir. Genel olarak, 60 yaş üstü kişilerde en sık görülen körlük nedeni olan göz tansiyonu, gözün ön kısmında sıvı birikmesi ile oluşur. Göz tansiyonuna ek olarak görme alanında problemler oluştuğunda glokom hastalığı ortaya çıkabilir. Hastalarda görme alanı analiz edilerek glokom hastalığı teşhis edilebilir. Analiz işlemi, görüntü işleme yöntemleri ile çok hassas bir şekilde gerçekleştirebilir ve görüntü işleme yöntemleri, görüntüden önemli özellikleri çıkarabilir. Görüntüden çıkarılan özellikler, derin öğrenme algoritmasının eğitilmesi için kullanılır. Derin öğrenme algoritmaları mühendislik, bankacılık ve tarım gibi çeşitli alanlarda kullanım değerini kaybetmemiştir. Ayrıca tıp alanında birçok hastalığın teşhisinde derin öğrenme algoritmaları kullanılmaktadır. Bu çalışmada, glokom hastalığı, önerilen derin öğrenme algoritması ile teşhis edilmektedir. Öncelikle, gözün görme alanı ortalama mutlak sapma yöntemi ile analiz edilir, ardından analiz edilen görsel alan görüntüsü ile derin öğrenme algoritması eğitilerek glokom tanı karar sistemi oluşturulur. Önerilen derin öğrenme algoritmasının öğrenilmesi 337 görsel alan görüntüsü analiz edilerek gerçekleştirilmiştir. Deneysel sonuçlarda, Duyarlılık, Özgünlük, Kesinlik, Doğruluk, F1 Score ve Yanlış Pozitif Oran sınıflandırma kriterleri, 10 kat çapraz doğrulama ile elde edilmiştir. Sonuç olarak tasarlanan derin öğrenme algoritması tabanlı glokom tanı karar sistemi, görsel alanı görüntüsünü analiz ederek glokom hastalığının başarılı bir şekilde teşhis edilmesini sağlamıştır.

Keywords

• Derin öğrenme
• Glokom
• Görme alanı
• Teşhis

Diagnosis of Glaucoma Disease by Analyzing the Visual Field with Deep Learning

Abstract

Glaucoma, commonly known as eye pressure or blackwater, is an important health problem caused by increased intraocular pressure and can cause vision loss. In generel, eye pressure, the most common cause of blindness in people over the age of 60, occurs with the accumulation of fluid in the anterior part of the eye. In addition to eye pressure, glaucoma disease may appear when problems occur in the visual field. In patients, glaucoma disease can be diagnosed by analyzing the visual field. The analysis process can be performed very precisely by image processing methods and image processing methods can extract important features from the image. The features extracted from the image are used for training the deep learning algorithm. Deep learning algorithms have not lost their use value in various fields such as engineering, banking, and agriculture. Moreover, Deep learning algorithms are used in the medical field for diagnosing many diseases. In this study, glaucoma disease is diagnosed by the proposed deep learning algorithm. Firstly, the visual field of the eye is analyzed by the mean absolute deviation method, and then a glaucoma diagnosis decision system is formed by the deep learning algorithm is trained with the visual field image, which is analyzed. The learning of the proposed deep learning algorithm has been performed by analyzing 337 visual field image. In the experimental results, the classification criteria Sensitivity, Specificity, Precision, Accuracy, F1 Score, and False Positive Rate has been obtained by 10-fold cross-validation. As a result, the proposed deep learning algorithm based glaucoma diagnosis decision system designed has successfully diagnosed glaucoma disease by analyzing the visual field image.

Keywords

• Deep learning
• Diagnose
• Glaucoma
• Visual field

References

1. Mi, Q., Keung, J., Xiao, Y., Mensah, S., & Gao, Y. (2018). Improving code readability classification using convolutional neural networks. Information and Software Technology, 104, 60-71.
2. de Sá, A. G., Pereira, A. C., & Pappa, G. L. (2018). A customized classification algorithm for credit card fraud detection. Engineering Applications of Artificial Intelligence, 72, 21-29.
3. Öztürk, Ş., & Özkaya, U. (2020). Skin Lesion Segmentation with Improved Convolutional Neural Network. Journal of digital imaging.
4. Henson, D. B., Spenceley, S. E., & Bull, D. R. (1997). Artificial neural network analysis of noisy visual field data in glaucoma. Artificial Intelligence in Medicine, 10(2), 99-113.
5. Belghith, A., Bowd, C., Medeiros, F. A., Balasubramanian, M., Weinreb, R. N., & Zangwill, L. M. (2015). Learning from healthy and stable eyes: a new approach for detection of glaucomatous progression. Artificial intelligence in medicine, 64(2), 105-115.
6. Sacchi, L., Tucker, A., Counsell, S., Garway-Heath, D., & Swift, S. (2014). Improving predictive models of glaucoma severity by incorporating quality indicators. Artificial intelligence in medicine, 60(2), 103-112.
7. Huang, M. L., Chen, H. Y., & Huang, J. J. (2007). Glaucoma detection using adaptive neuro-fuzzy inference system. Expert Systems with Applications, 32(2), 458-468.
8. Mookiah, M. R. K., Acharya, U. R., Lim, C. M., Petznick, A., & Suri, J. S. (2012). Data mining technique for automated diagnosis of glaucoma using higher order spectra and wavelet energy features. Knowledge-Based Systems, 33, 73-82.

9. Liu, J., Yin, F. S., Wong, D. W. K., Zhang, Z., Tan, N. M., Cheung, C. Y., ... & Wong, T. Y. (2011). Automatic glaucoma diagnosis from fundus image. In 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society (pp. 3383-3386). IEEE.
10. Nayak, J., Acharya, R., Bhat, P. S., Shetty, N., & Lim, T. C. (2009). Automated diagnosis of glaucoma using digital fundus images. Journal of medical systems, 33(5), 337.
11. Öztürk, Ş., & Özkaya, U. (2020). Gastrointestinal tract classification using improved LSTM based CNN. Multimedia Tools and Applications, 1-16.
12. Arulkumaran, K., Deisenroth, M. P., Brundage, M., & Bharath, A. A. (2017). Deep reinforcement learning: A brief survey. IEEE Signal Processing Magazine, 34(6), 26-38.
13. Konno, H., & Koshizuka, T. (2005). Mean-absolute deviation model. Iie Transactions, 37(10), 893-900.
14. Paul, S. K. (2011). Determination of exponential smoothing constant to minimize mean square error and mean absolute deviation. Global journal of research in engineering, 11(3).
15. Klistorner, A. I., Graham, S. L., Grigg, J. R., & Billson, F. A. (1998). Multifocal topographic visual evoked potential: improving objective detection of local visual field defects. Investigative ophthalmology & visual science, 39(6), 937-950.