Glokom, genellikle göz içi basıncının yükselmesi nedeniyle optik sinire zarar veren bir hastalıktır ve dünya genelinde geri döndürülemez körlüğün yaygın bir sebebidir. Ancak hastalık erken dönemde tespit edilebilirse görme kaybı önlenebilmektedir. Günümüzde glokom hastalığının tanısı, gelişmiş yapay zeka teknikleri kullanılarak bilgisayar destekli sistemler yardımıyla yapılabilmektedir. Bu çalışmada, yeni oluşturulmuş büyük ölçekli bir veri setine ait dijital fundus görüntüleri kullanılarak otomatik glokom tespiti için derin evrişimli sinir ağları yöntemi kullanılmıştır. Literatürde sınıflandırma problemlerinde en sık kullanılan mimarilerden VGG16, Inception-V3, EfficientNet, DenseNet, ResNet50 ve MobileNet mimarileri seçilmiştir. Deneysel çalışmalar sonucunda DenseNet mimarisinin %96.19 ile en yüksek başarı oranını elde ettiği görülmüştür. Elde edilen bulgular evrişimli sinir ağlarının normal ve glokomlu görüntüleri sınıflandırmada başarılı bir yöntem olduğunu kanıtlamıştır.
Glokom Derin öğrenme Evrişimli sinir ağları Transfer Öğrenimi
Glaucoma is a disease that damages the optic nerve, often due to increased intraocular pressure, and is a common cause of irreversible blindness worldwide. However, if the disease can be detected in the early period, vision loss can be prevented. Today, the diagnosis of glaucoma disease can be made with the help of computer-aided systems using advanced artificial intelligence techniques. In this study, deep convolutional neural networks were used for automatic glaucoma detection using digital fundus images of a newly created large-scale data set. VGG16, Inception-V3, EfficientNet, DenseNet, ResNet50 and MobileNet architectures which are the most frequently used architectures in classification problems were selected. As a result of experimental studies, it was seen that the DenseNet architecture achieved the highest accuracy rate with 96.19%. The findings have proven that convolutional neural networks are a successful methods on classification of normal and glaucoma images.
Glaucoma Deep learning Convolutional neural networks Transfer Learning
Birincil Dil | Türkçe |
---|---|
Bölüm | Araştırma Makalesi |
Yazarlar | |
Yayımlanma Tarihi | 24 Mayıs 2021 |
Yayımlandığı Sayı | Yıl 2021 Cilt: 23 Sayı: 68 |
Dokuz Eylül Üniversitesi, Mühendislik Fakültesi Dekanlığı Tınaztepe Yerleşkesi, Adatepe Mah. Doğuş Cad. No: 207-I / 35390 Buca-İZMİR.