Detection of Retinopathy Solutions Using Artificial Intelligence Approaches

Öz

Retinopathy is a disease that usually causes vision loss or blindness in diabetic patients. Diabetic retinopathy occurs as a result of damage to the blood vessels in the retina of the eye. This disease is one of the leading diseases that cause vision loss worldwide. Retinopathy is seen in 30% of diabetic patients. Early diagnosis of the disease is important to prevent vision loss in diabetic patients. In many studies carried out in the field of health recently, artificial intelligence approaches have been used for the diagnosis-treatment processes of diseases. In this study, a hybrid artificial intelligence model is proposed for the early diagnosis of retinopathy disease. The images in the dataset used in the study were created by fundus imaging technique and were graded in five stages according to the severity of the disease. In the proposed approach, using preprocessing step techniques, the unnecessary parts of the original images are left in the background and trained by the deep learning model (Nasnet mobile). Machine learning methods were used in the classification process of the proposed approach. In addition, feature selection algorithms were used to improve the time-performance process of model training. As a result of the experimental analysis, 100% overall accuracy was achieved with the proposed approach. It was observed that this study contributed to the diagnosis process of diabetic retinopathy patients.

Anahtar Kelimeler

• Artificial intelligence
• Machine learning
• Nasnet mobile
• Feature extraction
• Diabetic Retinopathy

Yapay Zekâ Yaklaşımlarını Kullanarak Retinopati Hastalığının Tespiti

Öz

Retinopati, diyabet hastalarında görülen genelde görme kaybına veya körlüğe sebep olan hastalıktır. Diyabetik retinopati, gözün retinasında bulunan kan damarlarının hasar görmesi sonucu ortaya çıkar. Bu hastalık dünya genelinde görme kaybına neden olan hastalıkların başında gelmektedir. Retinopati, diyabet hastalarının %30’unda görülmektedir. Hastalığın erken teşhisi diyabet hastalarının görme kaybını önlemek için önem arz etmektedir. Yakın zamanda sağlık alanında gerçekleştirilen birçok çalışmada hastalıkların tanı-tedavi süreçleri için yapay zekâ yaklaşımlarından faydalanılmıştır. Bu çalışmada retinopati hastalığının erken teşhisine yönelik hibrit bir yapay zekâ modeli önerilmiştir. Çalışmada kullanılan veri kümesindeki görüntüler fundus görüntüleme tekniği ile oluşturulmuş ve hastalığın ciddiyetine göre beş evrede basamaklandırılmıştır. Önerilen yaklaşımda ön işlem adımı teknikleri kullanılarak orijinal görüntülerin gereksiz görülen kısımları geri planda bırakılarak derin öğrenme modeli (Nasnet mobile) tarafından eğitilmesini sağlamaktadır. Önerilen yaklaşımın sınıflandırma sürecinde makine öğrenme yöntemleri kullanıldı. Ayrıca model eğitiminin zaman-performans sürecini iyileştirmek için de özellik seçim algoritmaları kullanıldı. Deneysel analizlerin sonucunda önerilen yaklaşım ile %100 genel doğruluk başarısı elde edildi. Bu çalışma ile diyabetik retinopati hastalarının tanı sürecine katkı sağlandığı görülmüştür.

Anahtar Kelimeler

• Yapay zekâ
• Makine öğrenmesi
• Nasnet mobile
• Özellik çıkarma
• Diyabetik Retinopati

Teşekkür

Bu makale, Fırat Üniversitesi Sosyal Bilimler Enstitüsü tarafından yürütülen “Diyabetik Retinopati Teşhisine Yönelik Yapay Zekâ Tabanlı Karar Destek Modeli” adlı yüksek lisans tezine dayanmaktadır. M.T. fikir sahibidir. A.Ç. ve M.T. deneyleri gerçekleştirmiştir. A.Ç. ve M.T. sonuçları yorumlamış ve A.Ç. makaleyi yazmıştır.

Kaynakça

1. URL-1 https://idf.org/aboutdiabetes/what-is-diabetes/facts-figures.html (Erişim Tarihi: 28.12.2022).
2. M. Balcı "Diyabet Tanı ve Tedavi Rehberi", Türikiye Diyabet Vakfı, İstanbul, 2019.
3. Ş. İmamoğlu and C. Özyardımcı Ersoy, Eds. "Diabetes Mellitusun Tanı, Tedavi ve İzleme", Uludağ Üniversitesi Tıp Fakültesi, Bursa, 2022.
4. Q. Jian, Y. Wu, and F. Zhang “Metabolomics in Diabetic Retinopathy: From Potential Biomarkers to Molecular Basis of Oxidative Stress”, Cells, vol. 11, no. 19, p. 3005, 2022.
5. İ. Sucu and E. Ataman “Dijital Evrenı̇n Yenı̇ Dünyası Olarak Yapay Zeka Ve Her Fı̇lmı̇ Üzerı̇ne Bı̇r Çalışma”, Electron. J. New Media, vol. 4, no. 1, pp. 40–52, 2017.
6. S. Subramanian, S. Mishra, S. Patil, K. Shaw and E. Aghajari “Machine Learning Styles for Diabetic Retinopathy Detection: A Review and Bibliometric Analysis”, Big Data Cogn. Comput., vol. 6, no. 4, p. 154, 2022.
7. Y.B. Özçelik and A. Altan “Diyabetik Retinopati Teşhisi için Fundus Görüntülerinin Derin Öğrenme Tabanlı Sınıflandırılması”, Eur. J. Sci. Technol., no. 29, pp. 156–167, 2021.
8. N. Yalcin, S. Alver, and N. Uluhatun “Classification of retinal images with deep learning for early detection of diabetic retinopathy disease”, in 2018 26th Signal Processing and Communications Applications Conference (SIU), 2018.

9. V. Gulshan et al. “Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs”, JAMA -J.Am. Med. Assoc., vol. 316, no. 22, pp. 2402–2410,2016.
10. [10]S. Qummar et al. “A Deep Learning EnsembleApproach for Diabetic Retinopathy Detection”, IEEEAccess, vol. 7, pp. 150530–150539, 2019.
11. C. Şen “Derin Öğrenme Tabanlı OftalmolojiGörüntülerinde Veri Analizi ve Güvenliği”, YüksekLisans Tezi, Bilgisayar Müh., Bursa Uludağ Üni.,Türkiye, 2022.
12. J. Grauslund “Diabetic retinopathy screening in theemerging era of artificial intelligence”, Diabetologia,vol. 65, no. 9, pp. 1415–1423, 2022.
13. URL-2https://www.kaggle.com/datasets/ahmedghazal54/diabetic-retinopathy-detection (Erişim Tarihi: 17.01.2023).
14. B. Bakir Gungor, B. Adanur Dedeturk, and K.Taşdemir “Cilt Kanseri Görüntü Sınıflandırması içinGörüntü Ön İşlemenin Evrişimsel Sinir AğlarıPerformansı Üzerindeki Etkileri”, ErciyesÜniversitesi Fen Bilim. Enstitüsü Derg., vol. 38, no.2, pp. 190–200, 2022.
15. T. Kurban, P. Civicioglu, R. Kurban, and E. Besdok“Comparison of evolutionary and swarm basedcomputational techniques for multilevel color imagethresholding”, Appl. Soft Comput. J., vol. 23, pp.128–143, 2014.
16. T. Olğar “Mathematical Evaluation of Image Qualityin Fluoroscopic Units”, Süleyman DemirelÜniversitesi Fen Bilim. Enstitüsü Derg., vol. 3, no. 2,pp. 201–207, 2008.
17. K. Hanbay “Görüntü Bölütleme için FourierDönüşümü, Hessian Matris ve ÖzdeğerlerKullanılarak Yeni bir Aktif Kontur Modeli”, TürkDoğa ve Fen Derg., vol. 10, no. 2, pp. 242–247, 2021.
18. A. İ. Öztürk, O. Yıldırım, A. Yavuz, and A. Kuru“Cyst Detection Using Filtering Technique in KidneyImages”, Eur. J. Sci. Technol., no. 38, pp. 198–204,2022.
19. İ. Duman, R. Kara, and E. Çetiner “C # KullanarakMesafeye Bağlı Ters Ağırlık Yöntemi ile Gridlemeve Kontur Çizimi Gridding and Contouring withInverse Distance Weight Method by C #”, KaraelmasFen ve Mühendislik Derg., vol. 6, no. 1, pp. 16–21,2016.
20. D. C. Samuk and F. M. Nuroǧlu “A new wide area-based algorithm to determine faulted line in series-compensated grid using k-nearest neighbor (k-NN)classification method”, J. Fac. Eng. Archit. GaziUniv., vol. 36, no. 2, pp. 871–882, 2021.
21. S. Tuzcu “Çevrimiçi Kullanıcı Yorumlarının DuyguAnalizi ile Sınıflandırılması Classification of OnlineUser Reviews with Sentiment Analysis”, Estud.Bilişim Derg., vol. 1, no. 2, pp. 1–5, 2020.
22. A.V. Setinde “Yüz Tanıma Sistemlerinde KullanılanESA , YGH-DVM ve DSA AlgoritmalarınınPerformans Testleri Performance Tests of ESA ,YGH-DVM and DSA Algorithms Used in FaceRecognition Systems”, Fırat Üniversitesi Fen Bilim.Derg., vol. 34, no. 1, pp. 39–48, 2022.
23. T. Kavzoğlu and İ. Çölkesen “Destek VektörMakineleri ile Uydu Görüntülerinin Sınıflandırılmasında Kernel Fonksiyonlarının Etkilerinin İncelenmesi”, Harit. Derg., vol. 144, no. 4, pp. 73–82, 2010.
24. F. Saxen, P. Werner, S. Handrich, E. Othman, L.Dinges and A. Al-Hamadi “Face attribute detectionwith mobilenetv2 and nasnet-mobile”, Int. Symp.Image Signal Process. Anal. ISPA, vol. 9, pp. 176–180, 2019,
25. A. Arı “Analysis of EEG signal for seizure detectionbased on WPT”, Electron. Lett., vol. 56, no. 25, pp.1381–1383, 2020.
26. A. Arı, F. AYAZ and D. HANBAY “EMGSinyallerinin Kısa Zamanlı Fourier DönüşümÖzellikleri Kullanılarak Yapay Sinir Ağları ileSınıflandırılması”, Fırat Üniversitesi MühendislikBilim. Derg., vol. 31, no. 2, pp. 443–451, 2019.
27. E. Şafak and N. Barışçı “Hafif Evrişimsel Sinir AğlarıKullanılarak Sahte Yüz Görüntülerinin Tespiti”, El-Cezeri Fen ve Mühendislik Derg., vol. 2022, no. 4,pp. 1282–1289, 2022.
28. M.Z. Uzun, Y. Celik and E. Basaran “Micro-Expression Recognition by Using CNN Features withPSO Algorithm and SVM Methods”, Trait. du Signal,vol. 39, no. 5, pp. 1685–1693, 2022.
29. A. Çalışkan “Detecting human activity types from 3D posture data using deep learning models”, Biomed.Signal Process. Control, vol. 81, 2023.
30. A. Çalışkan “Diagnosis of malaria disease byintegrating chi-square feature selection algorithmwith convolutional neural networks and autoencodernetwork”, Trans. Inst. Meas. Control, vol. 45, no. 5,pp. 975–985, 2023.
31. P. Chlap, H. Min, N. Vandenberg, J. Dowling, L.Holloway and A. Haworth “A review of medicalimage data augmentation techniques for deeplearning applications”, J Med Imaging Radiat Oncol,vol. 65, pp. 545-563, 2021