Glakom ve Katarakt Hastalığının Derin Öğrenme Modelleri ile Teşhisi

Year 2024, , 1813 - 1821, 02.10.2024

Mehmet Tümay , Zafer Civelek , Mustafa Teke

https://doi.org/10.2339/politeknik.1348143

Abstract

Göz, insanoğlunun en önemli organlarından biri olmasına rağmen birçok hastalığa da maruz kalabilmektedir. Bu hastalıklardan bazılarına toplumda sıklıkla rastlanmaktadır. Bunlardan ikisi katarakt ve glakom olarak bilinen çok önemli göz hastalıklarıdır. Evrişimli Sinir Ağları (ESA), bu hastalıkların erken tanı ve uzman teşhisine yardımcı olmak için kullanılabilir. Bu çalışmada derin öğrenme yöntemlerinden biri olan Evrişimli Sinir Ağları kullanılarak katarakt, glakom ve normal göz dibi görüntüleri sınıflandırılmıştır. Eğitilmiş Ağlar kullanılarak Googlenet, Densenet-201, Xception ve Inception-V3 ağlarının performansları karşılaştırılmıştır. Her ağ için adam, rmsprop ve sgdm optimizasyon yöntemleri uygulanmıştır. Bu çalışma, datasetteki 262 Katarakt, 200 Glakom ve 2816 normal göz dibi görüntüsü kullanılarak yapılmıştır. Görüntüler, yeniden boyutlandırma, arka planı kaldırma, rastgele döndürme ve yeniden boyutlandırma ile önceden işlenmiştir. Matlab ortamında yapılan simülasyonlar sonucunda, diğer ağlara göre en iyi sonuçlar rmsprop optimizasyonlu Xception ağ mimarisi ile elde edilmiştir.

Keywords

Derin öğrenme, Evrişimli sinir ağları, Görüntü Sınıflandırma

Diagnosis of Glaucoma and Cataract Disease with Deep Learning Models

Abstract

Although the eye is one of the most important organs of human beings, it can also be exposed to many diseases. Some of these diseases are frequently encountered in society. Two of these are very important eye diseases known as cataracts and glaucoma. Convolutional Neural Networks (CNN) can be used to aid in the early detection and expert diagnosis of these diseases. In this study, cataract, glaucoma and normal eye fundus images have been classified using Convolutional Neural Networks, which is one of the deep learning methods. The performances of Googlenet, Densenet-201, Xception and Inception-V3 networks have been compared using Transfer Learning. Adam, rmsprop and sgdm optimization methods have been applied for each network. This study has been performed using 262 Cataracts, 200 Glaucoma and 2816 normal fundus image data in the Dataset. Images have pre-processed with resizing, background removal, random rotation and resizing. As a result of the simulations made in the Matlab environment, the best results have obtained with the Xception network architecture with rmsprop optimizer compared to other network ones.

Keywords

Deep Learning, Convolutional Neural Network, Image Classification

References

• [1] Kumar, Y., and Gupta, S., "Deep transfer learning approaches to predict glaucoma, cataract, choroidal neovascularization, diabetic macular edema, drusen and healthy eyes: an experimental review", Archives of Computational Methods in Engineering, 30(1):521-541, (2023).
• [2] Kubilay, A. T. A. Ş., Atakan, K. A. Y. A., & Myderrizi, I., "Yapay sinir ağı tabanlı model ile x-ray görüntülerinden Covid-19 teşhisi", Politeknik Dergisi, 26(2): 541-551, (2023).
• [3] Shin, Y., Cho, H., Jeong, H. C., Seong, M., Choi, J. W., & Lee, W. J., "Deep learning-based diagnosis of glaucoma using wide-field optical coherence tomography images", Journal of Glaucoma, 30(9): 803-812, (2021).
• [4] Masumoto, H., Tabuchi, H., Nakakura, S., Ishitobi, N., Miki, M., & Enno, H., "Deep-learning classifier with an ultrawide-field scanning laser ophthalmoscope detects glaucoma visual field severity", Journal of Glaucoma, 27(7): 647-652, (2018).
• [5] Lee, J., Kim, Y. K., Park, K. H., & Jeoung, J. W., "Diagnosing glaucoma with spectral-domain optical coherence tomography using deep learning classifier", Journal of Glaucoma, 29(4): 287-294, (2020).
• [6] Muhammad, H., Fuchs, T. J., De Cuir, N., De Moraes, C. G., Blumberg, D. M., Liebmann, J. M., ... & Hood, D. C., "Hybrid deep learning on single wide-field optical coherence tomography scans accurately classifies glaucoma suspects", Journal of Glaucoma, 26(12):1086, (2017).
• [7] Yadav, J. K. P. S., & Yadav, S., "Computer‐aided diagnosis of cataract severity using retinal fundus images and deep learning", Computational Intelligence, 38(4): 1450-1473, (2022).
• [8] Gao, X., Lin, S., & Wong, T. Y., "Automatic feature learning to grade nuclear cataracts based on deep learning", IEEE Transactions on Biomedical Engineering, 62(11): 2693-2701, (2015).
• [9] Raza, A., Khan, M. U., Saeed, Z., Samer, S., Mobeen, A., & Samer, A., "Classification of eye diseases and detection of cataract using digital fundus imaging (DFI) and inception-V4 deep learning model", IEEE International Conference on Frontiers of Information Technology (FIT), Pakistan, 137-142, (2021).
• [10] Chaudhary, R., & Kumar, A., "Cataract Detection using Deep Learning Model on Digital Camera Images", IEEE International Conference on Cybernetics and Computational Intelligence (CyberneticsCom), Indonesia, 489-493, (2022).
• [11] Triyadi, A. B., Bustamam, A., & Anki, P., "Deep Learning in Image Classification Using VGG-19 and Residual Networks for Cataract Detection", 2nd International Conference on Information Technology and Education (ICIT&E), Indonesia, 293-297, (2022).
• [12] Wang, Y., Tang, C., Wang, J., Sang, Y., & Lv, J., "Cataract detection based on ocular B-ultrasound images by collaborative monitoring deep learning", Knowledge-based systems, 231, 107442, (2021).
• [13] Pratap, T., & Kokil, P., "Computer-aided diagnosis of cataract using deep transfer learning", Biomedical Signal Processing and Control, 53, 101533, (2019).
• [14] Zhang, H., Niu, K., Xiong, Y., Yang, W., He, Z., & Song, H., "Automatic cataract grading methods based on deep learning", Computer methods and programs in biomedicine, 182, 104978, (2019).
• [15] Mutlu, M., Özdem, K., & Akcayol, M. A., "Derin öğrenme ile kuş türü sınıflandırma: Karşılaştırmalı bir çalışma", Politeknik Dergisi, 25(3): 1251-1260, (2022).
• [16] Altun, S., & Alkan, A., "MR Spektroskopi kullanılarak beyin tümörü tespitinde LSTM tabanlı derin öğrenme uygulaması", Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 38(2), 1193-1202, (2022).
• [17] Gurkahraman, K., & Karakış, R., "Veri çoğaltma kullanılarak derin öğrenme ile beyin tümörlerinin sınıflandırılması", Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 36(2), 997-1012, (2021).
• [18] Yıldız, O, "Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma", Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 34(4), 2241-2260, (2019).
• [19] Korkmaz Ş., Alkan M., “Derin öğrenme algoritmalarını kullanarak deepfake video tespiti”, Politeknik Dergisi, 26(2): 855-862, (2023).
• [20] Şenalp F. M., Ceylan M., “Termal yüz görüntülerinden oluşan yeni bir veri seti için derin öğrenme tabanlı süper çözünürlük uygulaması”, Politeknik Dergisi, 26(2): 711-720, (2023).
• [21] Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., ... & Rabinovich, A., "Going deeper with convolutions", Proceedings of the IEEE conference on computer vision and pattern recognition, 1-9, (2015).
• [22] Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q., "Densely connected convolutional networks", Proceedings of the IEEE conference on computer vision and pattern recognition, 4700-4708, (2017).
• [23] Chollet, F., "Xception: Deep learning with depthwise separable convolutions", Proceedings of the IEEE conference on computer vision and pattern recognition, 1251-1258, (2017).
• [24] Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z., "Rethinking the inception architecture for computer vision", Proceedings of the IEEE conference on computer vision and pattern recognition, 2818-2826, (2016).
• [25] Hardt, M., Recht, B., & Singer, Y., "Train faster, generalize better: Stability of stochastic gradient descent", 33rd International Conference on Machine Learning, NewYork, NY, USA, 48:1225-1234, (2016).
• [26] Kumar, A., Sarkar, S., & Pradhan, C., "Malaria disease detection using cnn technique with sgd, rmsprop and adam optimizers", Deep learning techniques for biomedical and health informatics, 211-230, (2020).
• [27] Salimans, T., & Kingma, D. P., "Weight normalization: A simple reparameterization to accelerate training of deep neural networks", Advances in neural information processing systems, 901–909, (2016).