@article{article_1535708, title={Diyabetik Retinopatinin Tespitinde ve Derecelendirilmesinde Derin Öğrenme Teknolojilerinin Kullanılması}, journal={Karadeniz Fen Bilimleri Dergisi}, volume={15}, pages={1426–1446}, year={2025}, DOI={10.31466/kfbd.1535708}, author={Odabaş Yıldırım, Esra and Karagülle, Esma Fazilet and Yildirim, Mustafa}, keywords={Derin öğrenme, Diyabetik retinopati, Evrişimli sinir ağları, Görüntü işleme, Transformer tabanlı mimariler, Veri artırma}, abstract={Diyabetik Retinopati (DR), diyabet hastalığının retina damarlarını etkileyen ciddi ve yaygın bir komplikasyondur. Hastalığın ilerlemesiyle retina dokusunda mikro anevrizmalar, kanamalar ve ödem gelişmekte; tedavi edilmediği takdirde ileri evrelerde görme kaybı ve körlüğe yol açabilmektedir. Bu nedenle DR’nin erken evrede tespiti ve teşhisi klinik açıdan büyük önem taşımaktadır. Bu çalışmada, Kaggle APTOS 2019 Körlük Tespiti yarışmasından elde edilen retina görüntüleri kullanılarak farklı Evrişimli Sinir Ağı (ESA) ve Transformer (Dönüşüm) tabanlı derin öğrenme mimarilerinin karşılaştırmalı olarak performansı değerlendirilmiştir. Modellerin performansları, uygulanan gelişmiş ön işleme ve veri artırma stratejilerinin etkileri bağlamında detaylı olarak incelenmiştir. Deneylerde ResNet18, EfficientNetB4, VGG16 ve DenseNet121 gibi ESA tabanlı mimariler ile Swin Transformer gibi Transformer tabanlı modeller kullanılmıştır. Tüm modeller, 5-katlı çapraz doğrulama yöntemi ile eğitilmiş ve performansları karşılaştırılmıştır. Elde edilen bulgular, veri artırma tekniklerinin DR sınıflandırma başarısını istatistiksel olarak anlamlı düzeyde artırdığını ortaya koymuştur. Ayrıca, Swin Transformer modeli %85.00 doğruluk ve %91.37 QWK (Quadratic Weighted Kappa) ile en yüksek performansı sergilemiş ve Transformer tabanlı modellerin geleneksel ESA tabanlı modellere kıyasla DR sınıflandırmasında daha iyi performans sergilediğini göstermiştir.}, number={4}, publisher={Giresun Üniversitesi}, organization={BAP}