Derin Öğrenme Modellerini Kullanarak İnsan Retinasının Optik Koherans Tomografi Görüntülerinden Hastalık Tespiti

Abstract

Bireylerin yaşamını olumsuz etkileyen aynı zamanda bireylerin yaşlarının ilerlemesi ile yaşamın kaçınılmazlarından olan en önemli sorunlardan birisi de retina hastalıkları sebebi ile meydana gelen görme bozukluklarıdır. Bu hastalıkların oluşmasının önüne geçmek için erken dönemlerde teşhis etme sayesinde yaşamın olumsuz etkilenmesinde ve sonraki evresi olan görme kaybı riskini en aza indirmek için çok önemlidir. Gelişen teknolojik yöntemler ile doğru orantılı olarak kullanımı yaygınlaşan makine öğrenmesi ve derin öğrenme yöntemleri Optik Koherans Tomografisi (OKT) görüntüleme yöntemi üzerinde çalışmayı yaygınlaştırmıştır. Bu çalışmada halkın kullanımına açık OKT veri kümesi üzerinden deneyler gerçekleştirilmiştir. Yüksek sınıflandırma performansları göz önüne alınarak Evrişimli Sinir Ağı (ESA) tabanlı ResNet50 ve MobileNetV2 modelleri çalışmamızda kullanılmıştır. Oluşturulan derin öğrenme tabanlı yapılar çalışmamızda gerçekleştirilen deneylerde çeşitli retina hastalıklarının sınıflandırılmasında test edilmiştir. Deneylerde farklı parametreler oluşturulan modeller üzerinde girdi olarak verilerek sınıflandırma başarımındaki doğruluk ölçümleri gerçekleştirilmiştir. Yapılan testlerin sonucunda, her iki model de dikkate alınarak makro ortalama doğruluk değerleri olarak yaklaşık %81 ile %94 aralığında bir başarım elde edilmiştir. Bu test sonuçlarına göre; deneylerde kullanılan ResNet50 ve MobileNetV2 modelleri birlikte dikkate alındığında ortalama F1 skoru; CNV için 0,75, Drusen için 0,86, DME için 0,90 ve normal yapıdaki retinalar için ise 0,96 olarak elde edilmiştir. Elde edilen sonuçlar ile literatürdeki çalışmalar karşılaştırıldığında yüksek doğrulukta başarım elde edildiği görülmüştür. Çalışmada sonuçlara ilişkin tartışma ve bilimsel bulgulara da yer verilmiştir.

Keywords

• Derin Öğrenme
• Optik Koherans Tomografi
• Evrişimli sinir ağı

Diseases Detection from Human Retina's Optical Coherence Tomography Images using Deep Learning Models

Abstract

One of the most important problems that has affected the lives of individuals is the progression of the age of individuals and the inevitable of life is the visual disorders caused by retinal diseases. To avoid these diseases, diagnosis in early periods is essential to minimize the risk of life being adverse and subsequent loss of vision. Machine learning and deep learning methods that have become more prevalent with evolving technological methods have made it more common to study the method of Optical Coherence Tomography (OCT) imaging. In this study, experiments were carried out on the publicly available OCT dataset. By considering their high classification performance, the Convolutional Neural Network (CNN)-based ResNet50 and MobileNetV2 models are used in our study. Deep learning-based structures were tested in the classification of various retinal diseases in the experiments carried out in our study. In experiments, accuracy measurements of classification performance were performed by giving input on models with different parameters created. By considering both models, the result of the tests was performed that the macro average accuracy values as resulting in a performance of approximately 81% to 94%. According to these test results, when the ResNet50 and MobileNetV2 models used in the experiments are considered together that the average F1 score is obtained as 0.75 for CNV, 0.86 for Drusen, 0.90 for DME and 0.96 for normal retinas. With the comparison of the results obtained in this study and other studies in the literature, it is showed that this study has high accuracy performance. The study also includes discussions and scientific findings on the results.

Keywords

• Deep learning
• Optical Coherence Tomography
• Convolutional neural network

References

1. Vatansever B., Aydın H., Çetinkaya A. “Heart Disease Prediction with Machine Learning Algorithm Using Feature Selection by Genetic Algorithm”. Bilim, Teknoloji ve Mühendislik Araştırmaları Dergisi, 2(2): 67-80. 2021.
2. Röntgen, W., Sitzungsberichte der Würzburger Physik-medic, (1895).
3. NEOSON web sitesi. https://neoson.com.tr/dijital-ultrasonografi-renkli-doppler. (15.08.2022).
4. Grup Florence Nightingale Hastaneleri web sitesi. https://www.florence.com.tr/sintigrafi. (15.08.2022).
5. Kayadibi İ. “Optik Koherens Tomografisi Görüntüleri Kullanarak Evrişimsel Sinir Ağı Tabanlı Retinal Hastalık Tespiti”. Yüksek Lisans Tezi. Temmuz 2021.
6. Ağalday M.F., Çınar A. “Derin Öğrenme Mimarilerini Kullanarak Katarakt Tespiti”. Avrupa Bilim ve Teknoloji Dergisi Özel Sayı 28: 1428-1433, 2021.
7. Ziya Kapran web sitesi. https://ziyakapran.com/optik-koherens-tomografi (15.08.2022).
8. Kutlu Ö. “İnsansız Hava Aracı İle Elde Edilen Görüntülerin Derin Öğrenme Yöntemleri İle Analizi”. Yüksek Lisans Tezi 2019.

9. Howard A.G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand T., Andreetto M., Adam H., “Mobilenets: Efficient convolutional neural networks for mobile vision applications,” arXiv Prepr. arXiv1704.04861, 2017.
10. Er M.B. “Önceden Eğitilmiş Derin Ağlar İle Göğüs Röntgeni Görüntüleri Kullanarak Pnömoni Sınıflandırılması”. Konya Mühendislik Bilimleri Dergisi, c. 9, s. 1, 193-204, 2021 Konya Journal of Engineering Sciences, v. 9, n. 1, 193-204, 2021 ISSN: 2667-8055 (Elektronik). DOI: 10.36306/konjes.794505.
11. Güldemir N.H., Alkan A., “Derin Öğrenme ile Optik Koherens Tomografi Görüntülerinin Sınıflandırılması”. Fırat Üniversitesi Müh. Bil. Dergisi Araştırma Makalesi 33(2), 607-615, 2021.
12. Tasnim N, Hasan M, Islam I, 2019, "Comparisonal study of Deep Learning approaches on Retinal OCT Image", arXiv preprint arXiv:1912.07783.
13. Yenikaya M.A., “Optik Koherens Tomografi Görüntülerinden Yaşa Bağlı Makular Dejenerasyon Tiplerinin Yapay Zekâ Kullanılarak Tespiti”, Doktora Tezi, İstanbul T.C. Maltepe Üniversitesi Lisansüstü Eğitim Enstitüsü Haziran, 2022.
14. Mumcuoğlu T., Erdurman C., Durukan A.H. “Optik Koherens Tomografi Prensipleri ve Uygulamadaki Yenilikler”. T. Oft. Gaz. 38, 168-175, 2008.
15. Huang D, Swanson EA, Lin CP, Schuman JS, Stinson WG, Chang W, Hee MR, Flotte T, Gregory K, Puliafito CA, et al.: Optical coherence tomography. Science 1991;254:1178-1181.
16. Şengül Özdek web sitesi. https://www.sengulozdek.com/hastalar-icin/tanisal-testler/optik-koherens-tomografi-oct/. (15.08.2022).
17. Kermany DS, Goldbaum M, Cai W, Valentim CCS, Liang H, Baxter SL, McKeown A, Yang G, Wu X, Yan F, Dong J, Prasadha MK, Pei J, Ting MYL, Zhu J, Li C, Hewett S, Dong J, Ziyar I, Shi A, Zhang R, Zheng L, Hou R, Shi W, Fu X, Duan Y, Huu VAN, Wen C, Zhang ED, Zhang CL, Li O, Wang X, Singer MA, Sun X, Xu J, Tafreshi A, Lewis MA, Xia H, Zhang K. "Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning". Cell. 2018 Feb 22;172(5):1122-1131.e9. doi: 10.1016/j.cell.2018.02.010. PMID: 29474911.
18. Veniwidigöz web sitesi. https://venividigoz.com/retina-hastaliklari/. (15.08.2022).
19. İstanbul Retina Enstitüsü web sitesi. https://www.istanbulretina.com/makaleler-goz-hastaliklari-drusen-cesitleri-ve-goruntulenme-yontemleri.php#:~:text=Retina%20pigment%20epiteli%20alt%C4%B1nda%20ekstrasel%C3%BCler,ise%20daha%20gen%C3%A7%20ya%C5%9Flarda%20g%C3%B6r%C3%BClebilmektedir. (15.08.2022).
20. Wong WL, Su X, Li X, Cheung CM, Klein R, Cheng CY, et al. Global prevalence of age- related macular degeneration and disease burden projection for 2020 and 2040: a systematic review and meta-analysis. Lancet Glob Health. 2014; 2(2):e106-16.
21. Alim S, Demir AK. “Diyabetik Maküla Ödemi Tedavisinde Serum HbA1c Düzeyinin İntravitreal Anti-VEGF Tedavisine Etkisi”. Türk Diyabet Obez 2019(2): 79-83.
22. Taş S.P. “Retinal Hastalıkların Oftalmolojik Görüntüler Üzerinden Derin Öğrenme Teknikleri İle Tespit Edilmesi”. Yüksek Lisans Tezi. Afyon Kocatepe Üniversitesi Fen Bilimleri Enstitüsü, 2021
23. Güven web sitesi. https://www.guven.com.tr/ saglik-rehberi/sari-nokta-goz-hastaligi-nedir. (15.08.2022).
24. Gao, X., Li, W., Loomes, M., Wang, L., "A fused deep learning architecture for viewpoint classification of echocardiography", Information Fusion, 36: 103–113, 2017.
25. Ari A., Hanbay D. “Tumor detection in MR images of regional convolutional neural networks”. Journal of the Faculty of Engineering and Architecture of Gazi University 34(3): 1395-1408, 2019.
26. Gao, X. W., Hui, R., Tian, Z., "Classification of CT brain images based on deep learning networks", Computer Methods and Programs in Biomedicine, 138, 49–56, 2017.
27. Fırıldak K., Talu M.F., “Evrişimsel Sinir Ağlarında Kullanılan Transfer Öğrenme Yaklaşımlarının İncelenmesi”. Anatolian Journal of Computer Science. Anatolian Science, 4(2): 88-95, 2019.
28. Ayata F., Çavuş H. “Evrişimsel Sinir Ağı Temelli Yüz Tanıma Yöntemleri ile Robot Resim Oluşturma Uygulaması”. Fırat Üniversitesi Müh. Bil. Dergisi Araştırma Makalesi 34(1): 215-228, 2022.
29. Akpınar B., “Görüntü sınıflandırma için derin öğrenme ile bayesçi derin öğrenme yöntemlerinin karşılaştırılması,” Yüksek lisans tezi, İstatistik, Fen Bilimleri Enstitüsü, Afyonkarahisar Üniversitesi, Afyon,Türkiye, 2019.
30. Datascience-enthusiast web sitesi. https://datascience-enthusiast.com/DL/ Convolution_model_Step_by_Stepv2.html. (15.08.2022).
31. Miuul web sitesi. https://www.miuul.com/not-defteri/evrisimli-sinir-aglarina-giris. (15.08.2022).
32. Towardsdatascience web sitesi. https://towardsdatascience.com/the-most-intuitive-and-easiest-guide-for-convolutional-neural-network-3607be47480. (15.08.2022).
33. Zephyrnet web sitesi. https://zephyrnet.com/basics-of-cnn-in-deep-learning/. (15.08.2022).
34. Bozkurt F., Yağanoğlu M. “Derin Evrişimli Sinir Ağları Kullanarak Akciğer X-Ray Görüntülerinden COVID19 Tespiti”, Veri Bilim Dergisi, 4(2):1-8, 2021.
35. Kermany D., Zhang K., Goldbaum M. 2018. Large Dataset of Labeled Optical Coherence Tomography(OCT) and Chest X-Ray Images, Mendeley Data.
36. Kaggle web sitesi. https://www.kaggle.com/datasets/paultimothymooney/kermany2018. (15.08.2022).
37. He K, Zhang X, Ren S, Sun J. "Deep residual learning for image recognition", IEEE Conference on Computer Vision and Pattern Recognition (CVPR); 27-30 June 2016, Las Vegas, Nevada, USA. pp. 770-778.
38. Sandler M., Howard A., Zhu M., Zhmoginov A., and Chen L.-C., “MobileNetV2: Inverted Residuals and Linear Bottlenecks,” in proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Salt Lake City, UT, USA, pp. 4510-4520, 2018.
39. Demir F. “Derin Öğrenme Tabanlı Yaklaşımla Kötü Huylu Deri Kanserinin Dermatoskopik Görüntülerden Saptanması”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 2021;33: 617–624.
40. Aslan M., “Derin Öğrenme Tabanlı Otomatik Beyin Tümör Tespiti”. Fırat Üniversitesi Müh. Bil. Dergisi Araştırma Makalesi 34(1), 399-407, 2022.
41. Python programlama dili web sitesi. https://www.python.org/. (15.08.2022)
42. Anaconda web sitesi. https://www.anaconda.com/. (15.08.2022)
43. Jetbrains web sitesi. https://www.jetbrains.com/pycharm/(15.08.2022)
44. Jupyter web sitesi. https://jupyter.org/. (15.08.2022).
45. Tensorflow web sitesi. https://www.tensorflow.org/. (15.08.2022).
46. Keras web sitesi. https://keras.io/. (15.08.2022).
47. Alimovski E., Erdemir G. “Veri Artırma Tekniklerinin Derin Öğrenmeye Dayalı Yüz Tanıma Sisteminde Etkisi”. İstanbul Sabahattin Zaim Üniversitesi Fen Bilimleri Enstitüsü Dergisi (2021) 3(1): 76-80.
48. Salamon, J., & Bello, J. P. (2017). "Deep Convolutional Neural Networks and Data Augmentation for Environmental Sound Classification", IEEE Signal Processing Letters, 24(3), 279–283.
49. Singh V, Asari VK, Rajasekaran R. A Deep Neural Network for Early Detection and Prediction of Chronic Kidney Disease. Diagnostics (Basel). 2022 ;12(1):116. doi: 10.3390/diagnostics12010116.