Derleme
BibTex RIS Kaynak Göster

Diagnostic Methods and Deep Learning Applications in Eye Diseases: A Literature Review

Yıl 2026, Cilt: 42 Sayı: 1 , - , 17.03.2026

Tayyip Özcan , Hatice Türkdoğan , Fatih Horozoğlu

https://doi.org/10.65520/erciyesfen.1770680
https://izlik.org/JA76FS38HM

Öz

The early detection of eye diseases is critically important for preventing vision loss and maintaining patients' quality of life. In recent years, the rapid advancement of deep learning methods in biomedical imaging has found significant applications within the field of ophthalmology. Models developed using fundus photographs, optical coherence tomography, and retinal images have achieved high accuracy rates in the automated diagnosis of diabetic retinopathy, glaucoma, age-related macular degeneration, and other retina-based diseases. This review examines the current deep learning approaches used for detecting eye diseases, the datasets employed, architectural variations, and performance metrics. Convolutional neural networks, transfer learning, hybrid models, and, increasingly, vision transformer-based methods are comparatively evaluated. The study aims to summarize recent developments in the field and provide recommendations to guide future research.

Anahtar Kelimeler

Ophthalmology Deep Learning Image Analysis Optical Coherence Tomography Fundus Photoraphy

Kaynakça

  • Jain, L., Murthy, H. S., Patel, C., & Bansal, D. (2018, December). Retinal eye disease detection using deep learning. In 2018 Fourteenth International Conference on Information Processing (ICINPRO) (pp. 1-6). IEEE.
  • Qummar, S., Khan, F. G., Shah, S., Khan, A., Shamshirband, S., Rehman, Z. U., & Jadoon, W. (2019). A deep learning ensemble approach for diabetic retinopathy detection. Ieee Access, 7, 150530-150539.
  • Rajagopalan, N., Narasimhan, V., Kunnavakkam Vinjimoor, S., & Aiyer, J. (2021). RETRACTED ARTICLE: Deep CNN framework for retinal disease diagnosis using optical coherence tomography images. Journal of Ambient Intelligence and Humanized Computing, 12(7), 7569-7580.
  • Li, Y., Xia, X., & Paulus, Y. M. (2018, April). Advances in retinal optical imaging. In Photonics (Vol. 5, No. 2, p. 9). MDPI.
  • Yu, S., Lu, J., Cao, D., Liu, R., Liu, B., Li, T., ... & Lu, L. (2016). The role of optical coherence tomography angiography in fundus vascular abnormalities. BMC ophthalmology, 16(1), 107.
  • Chalam, K. V., & Sambhav, K. (2016). Optical coherence tomography angiography in retinal diseases. Journal of ophthalmic & vision research, 11(1), 84.
  • Staal, J., Abràmoff, M. D., Niemeijer, M., Viergever, M. A., & Van Ginneken, B. (2004). Ridge-based vessel segmentation in color images of the retina. IEEE transactions on medical imaging, 23(4), 501-509.
  • Hoover, A. D., Kouznetsova, V., & Goldbaum, M. (2000). Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response. IEEE Transactions on Medical imaging, 19(3), 203-210.
  • Jordan, K. C., Menolotto, M., Bolster, N. M., Livingstone, I. A., & Giardini, M. E. (2017). A review of feature-based retinal image analysis. Expert Review of Ophthalmology, 12(3), 207-220.
  • ‘‘DRIONS-DB Retinal Image Database — bob.db.drionsdb 1.0.1 documentation.” https://www.idiap.ch/software/bob/docs/bob/bob.db.drionsdb/master/index.html (Erişim Tarihi: 10.12.2024).
  • ‘‘Messidor - ADCIS.” http://www.adcis.net/en/third-party/messidor/ (Erişim Tarihi: 11.09.2025).
  • Alyoubi, W. L., Abulkhair, M. F., & Shalash, W. M. (2021). Diabetic retinopathy fundus image classification and lesions localization system using deep learning. Sensors, 21(11), 3704.
  • Ibrahim, A., ‘‘OCT2017.” https://www.kaggle.com/datasets/namaneanasibrahim/oct2017 (Erişim Tarihi: 15.09.2024).
  • Naren, O. S., ‘‘Retinal OCT Image Classification - C8. ” www.kaggle.com/datasets/obulisainaren/retinal-oct-c8 (Erişim Tarihi: 23.05.2025).
  • Larxel, ‘‘Ocular Disease Recognition. ” https://www.kaggle.com/datasets/andrewmvd/ocular-disease-recognition-odir5k (Erişim Tarihi: 03.11.2024).
  • Zhang, J., Dashtbozorg, B., Bekkers, E., Pluim, J. P., Duits, R., & ter Haar Romeny, B. M. (2016). Robust retinal vessel segmentation via locally adaptive derivative frames in orientation scores. IEEE transactions on medical imaging, 35(12), 2631-2644.
  • Perez-Rovira, A., MacGillivray, T., Trucco, E., Chin, K. S., Zutis, K., Lupascu, C., ... & Dhillon, B. (2011, August). VAMPIRE: Vessel assessment and measurement platform for images of the REtina. In 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society (pp. 3391-3394). IEEE.
  • Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., ... & Webster, D. R. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. jama, 316(22), 2402-2410.
  • Elkholy, M., & Marzouk, M. A. (2024). Deep learning-based classification of eye diseases using Convolutional Neural Network for OCT images. Frontiers in Computer Science, 5, 1252295.
  • Puneet, Kumar, R., & Gupta, M. (2022). Optical coherence tomography image based eye disease detection using deep convolutional neural network. Health Information Science and Systems, 10(1), 13.
  • Kim, J., & Tran, L. (2021, October). Retinal disease classification from oct images using deep learning algorithms. In 2021 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB) (pp. 1-6). Ieee.
  • Hassan, E., Elmougy, S., Ibraheem, M. R., Hossain, M. S., AlMutib, K., Ghoneim, A., ... & Talaat, F. M. (2023). Enhanced deep learning model for classification of retinal optical coherence tomography images. Sensors, 23(12), 5393.
  • Khan, A., Pin, K., Aziz, A., Han, J. W., & Nam, Y. (2023). Optical coherence tomography image classification using hybrid deep learning and ant colony optimization. Sensors, 23(15), 6706.
  • Nazir, T., Nawaz, M., Rashid, J., Mahum, R., Masood, M., Mehmood, A., ... & Hussain, A. (2021). Detection of diabetic eye disease from retinal images using a deep learning based CenterNet model. Sensors, 21(16), 5283.
  • Kadry, S., Rajinikanth, V., González Crespo, R., & Verdú, E. (2022). Automated detection of age-related macular degeneration using a pre-trained deep-learning scheme. The Journal of Supercomputing, 78(5), 7321-7340.
  • Tayal, A., Gupta, J., Solanki, A., Bisht, K., Nayyar, A., & Masud, M. (2022). DL-CNN-based approach with image processing techniques for diagnosis of retinal diseases. Multimedia systems, 28(4), 1417-1438.
  • Upadhyay, P. K., Rastogi, S., & Kumar, K. V. (2022). Coherent convolution neural network based retinal disease detection using optical coherence tomographic images. Journal of King Saud University-Computer and Information Sciences, 34(10), 9688-9695.
  • Muthukannan, P. (2022). Optimized convolution neural network based multiple eye disease detection. Computers in Biology and Medicine, 146, 105648.
  • Khan, U. S., & Khan, S. U. R. (2025). Boost diagnostic performance in retinal disease classification utilizing deep ensemble classifiers based on OCT. Multimedia Tools and Applications, 84(19), 21227-21247.
  • Naik, G., Narvekar, N., Agarwal, D., Nandanwar, N., & Pande, H. (2024, March). Eye disease prediction using ensemble learning and attention on oct scans. In Future of Information and Communication Conference (pp. 21-36). Cham: Springer Nature Switzerland.
  • Vardhan, K. B., Nidhish, M., & Shameem, D. N. (2024). Eye disease detection using deep learning models with transfer learning techniques. ICST Transactions on Scalable Information Systems, 11, 1-13.
  • Dash, S. K., Sethy, P. K., Das, A., Jena, S., & Nanthaamornphong, A. (2024). Advancements in deep learning for automated diagnosis of ophthalmic diseases: a comprehensive review. IEEE Access.
  • El-Ateif, S., & Idri, A. (2024). Eye diseases diagnosis using deep learning and multimodal medical eye imaging. Multimedia Tools and Applications, 83(10), 30773-30818.
  • George, N., Shine, L., Abraham, B., & Ramachandran, S. (2024). A two-stage CNN model for the classification and severity analysis of retinal and choroidal diseases in OCT images. International Journal of Intelligent Networks, 5, 10-18.
  • Aresta, G., Araújo, T., Schmidt-Erfurth, U., & Bogunović, H. (2025). Anomaly Detection in Retinal OCT Images With Deep Learning-Based Knowledge Distillation. Translational Vision Science & Technology, 14(3), 26-26.
  • Daniel, D. A. P., Santhana Sagaya Mary, A., & Chidambaranathan, S. (2025). Deep Learning‐Based Neuro Computing to Classify and Diagnosis of Ophthalmology by OCT. Integrating Neurocomputing with Artificial Intelligence, 159-173.
  • Mushtaq, A., Kumar, K. K., & Subhashini, R. (2025, July). Ocular disease recognition using deep learning. In AIP Conference Proceedings (Vol. 3257, No. 1, p. 020144). AIP Publishing LLC.
  • Al-Fahdawi, S., Al-Waisy, A. S., Zeebaree, D. Q., Qahwaji, R., Natiq, H., Mohammed, M. A., ... & Deveci, M. (2024). Fundus-deepnet: Multi-label deep learning classification system for enhanced detection of multiple ocular diseases through data fusion of fundus images. Information Fusion, 102, 102059.
  • Govindan, M., Dhakshnamurthy, V. K., Sreerangan, K., Nagarajan, M. D., & Rajamanickam, S. K. (2024). A framework for early detection of glaucoma in retinal fundus images using deep learning. Engineering Proceedings, 62(1), 3.
  • Sharmin, S., Rashid, M. R., Khatun, T., Hasan, M. Z., & Uddin, M. S. (2024). A dataset of color fundus images for the detection and classification of eye diseases. Data in Brief, 57, 110979.
  • Hussain, S. K., Ramay, S. A., Shaheer, H., Abbas, T., Mushtaq, M. A., Paracha, S., & Saeed, N. (2024). Automated classification of ophthalmic disorders using color fundus images. Volume, 12, 1344-1348.
  • Tang, Q. Q., Yang, X. G., Wang, H. Q., Wu, D. W., & Zhang, M. X. (2024). Applications of deep learning for detecting ophthalmic diseases with ultrawide-field fundus images. International Journal of Ophthalmology, 17(1), 188.
  • Rom, Y., Aviv, R., Cohen, G. Y., Friedman, Y. E., Ianchulev, T., & Dvey-Aharon, Z. (2024). Diabetes detection from non-diabetic retinopathy fundus images using deep learning methodology. Heliyon, 10(16).
  • Joshi, R. C., Sharma, A. K., & Dutta, M. K. (2024). VisionDeep-AI: Deep learning-based retinal blood vessels segmentation and multi-class classification framework for eye diagnosis. Biomedical Signal Processing and Control, 94, 106273.
  • Patil, R., & Sharma, S. (2024). Automatic glaucoma detection from fundus images using transfer learning. Multimedia Tools and Applications, 83(32), 78207-78226.
  • Patel, R. K., Chouhan, S. S., Lamkuche, H. S., & Pranjal, P. (2024). Glaucoma diagnosis from fundus images using modified Gauss-Kuzmin-distribution-based Gabor features in 2D-FAWT. Computers and Electrical Engineering, 119, 109538.
  • Lenka, S., Mayaluri, Z. L., & Panda, G. (2025). Glaucoma detection from retinal fundus images using graph convolution based multi-task model. e-Prime-Advances in Electrical Engineering, Electronics and Energy, 11, 100931.
  • Rayavel, P., Priyadharshini, S. A., Midhunadharshini, G., & Divyedharshini, G. (2025). Detection and classification of diabetic retinopathy in retinal fundus images using deep spiking Q Network optimized with partial reinforcement optimizer. Computers in Biology and Medicine, 196, 110863.
  • Aghabeigi Alooghareh, M. M., Sheikhey, M. M., Sahafi, A., Pirnejad, H., & Naemi, A. (2025). Deep Learning for Comprehensive Analysis of Retinal Fundus Images: Detection of Systemic and Ocular Conditions. Bioengineering, 12(8), 840.
  • Beegam, S., Kalra, M., Bhowmik, A., & Panda, J. K. (2025). Deep Learning Framework for Multiclass Detection of Ocular Diseases in Fundus Images.
  • Priya, E., Dhinesh, M., Rohitkumar, G., & Dheena, M. (2025, May). Harnessing Deep Learning Models in Fundus Imaging for Early Diagnosis in Eye Disorders. In 2025 Fourth International Conference on Smart Technologies, Communication and Robotics (STCR) (pp. 1-5). IEEE.
  • Ejaz, S., Zia, H. U., Majeed, F., Shafique, U., Altamiranda, S. C., Lipari, V., & Ashraf, I. (2025). Fundus image classification using feature concatenation for early diagnosis of retinal disease. Digital Health, 11, 20552076251328120.

Göz Hastalıklarında Tanı Yöntemleri ve Derin Öğrenme Uygulamaları: Bir Literatür Çalışması

Yıl 2026, Cilt: 42 Sayı: 1 , - , 17.03.2026

Tayyip Özcan , Hatice Türkdoğan , Fatih Horozoğlu

https://doi.org/10.65520/erciyesfen.1770680
https://izlik.org/JA76FS38HM

Öz

Göz hastalıklarının erken teşhisi, görme kaybını önlemek ve hastaların yaşam kalitesini korumak açısından kritik öneme sahiptir. Son yıllarda, biyomedikal görüntülemede derin öğrenme yöntemlerindeki hızlı ilerleme, oftalmoloji alanında önemli uygulamalar bulmuştur. Fundus fotoğrafları, optik koherens tomografi ve retina görüntüleri kullanılarak geliştirilen modeller, diyabetik retinopati, glokom, yaşa bağlı makula dejenerasyonu ve diğer retina temelli hastalıkların otomatik teşhisinde yüksek doğruluk oranlarına ulaşmıştır. Bu derleme, göz hastalıklarını tespit etmek için kullanılan mevcut derin öğrenme yaklaşımlarını, kullanılan veri kümelerini, mimari farklılıkları ve performans ölçütlerini incelemektedir. Evrişimsel sinir ağları, transfer öğrenme, hibrit modeller ve giderek artan şekilde görü dönüştürücü tabanlı yöntemler karşılaştırmalı olarak değerlendirilmektedir. Çalışma, alandaki son gelişmeleri özetlemeyi ve gelecekteki araştırmalara yön verecek öneriler sunmayı amaçlamaktadır.

Anahtar Kelimeler

Göz Hastalıkları Derin Öğrenme Görüntü Analizi Optik Koherens Tomografi Fundus Fotoğrafçılığı

Kaynakça

  • Jain, L., Murthy, H. S., Patel, C., & Bansal, D. (2018, December). Retinal eye disease detection using deep learning. In 2018 Fourteenth International Conference on Information Processing (ICINPRO) (pp. 1-6). IEEE.
  • Qummar, S., Khan, F. G., Shah, S., Khan, A., Shamshirband, S., Rehman, Z. U., & Jadoon, W. (2019). A deep learning ensemble approach for diabetic retinopathy detection. Ieee Access, 7, 150530-150539.
  • Rajagopalan, N., Narasimhan, V., Kunnavakkam Vinjimoor, S., & Aiyer, J. (2021). RETRACTED ARTICLE: Deep CNN framework for retinal disease diagnosis using optical coherence tomography images. Journal of Ambient Intelligence and Humanized Computing, 12(7), 7569-7580.
  • Li, Y., Xia, X., & Paulus, Y. M. (2018, April). Advances in retinal optical imaging. In Photonics (Vol. 5, No. 2, p. 9). MDPI.
  • Yu, S., Lu, J., Cao, D., Liu, R., Liu, B., Li, T., ... & Lu, L. (2016). The role of optical coherence tomography angiography in fundus vascular abnormalities. BMC ophthalmology, 16(1), 107.
  • Chalam, K. V., & Sambhav, K. (2016). Optical coherence tomography angiography in retinal diseases. Journal of ophthalmic & vision research, 11(1), 84.
  • Staal, J., Abràmoff, M. D., Niemeijer, M., Viergever, M. A., & Van Ginneken, B. (2004). Ridge-based vessel segmentation in color images of the retina. IEEE transactions on medical imaging, 23(4), 501-509.
  • Hoover, A. D., Kouznetsova, V., & Goldbaum, M. (2000). Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response. IEEE Transactions on Medical imaging, 19(3), 203-210.
  • Jordan, K. C., Menolotto, M., Bolster, N. M., Livingstone, I. A., & Giardini, M. E. (2017). A review of feature-based retinal image analysis. Expert Review of Ophthalmology, 12(3), 207-220.
  • ‘‘DRIONS-DB Retinal Image Database — bob.db.drionsdb 1.0.1 documentation.” https://www.idiap.ch/software/bob/docs/bob/bob.db.drionsdb/master/index.html (Erişim Tarihi: 10.12.2024).
  • ‘‘Messidor - ADCIS.” http://www.adcis.net/en/third-party/messidor/ (Erişim Tarihi: 11.09.2025).
  • Alyoubi, W. L., Abulkhair, M. F., & Shalash, W. M. (2021). Diabetic retinopathy fundus image classification and lesions localization system using deep learning. Sensors, 21(11), 3704.
  • Ibrahim, A., ‘‘OCT2017.” https://www.kaggle.com/datasets/namaneanasibrahim/oct2017 (Erişim Tarihi: 15.09.2024).
  • Naren, O. S., ‘‘Retinal OCT Image Classification - C8. ” www.kaggle.com/datasets/obulisainaren/retinal-oct-c8 (Erişim Tarihi: 23.05.2025).
  • Larxel, ‘‘Ocular Disease Recognition. ” https://www.kaggle.com/datasets/andrewmvd/ocular-disease-recognition-odir5k (Erişim Tarihi: 03.11.2024).
  • Zhang, J., Dashtbozorg, B., Bekkers, E., Pluim, J. P., Duits, R., & ter Haar Romeny, B. M. (2016). Robust retinal vessel segmentation via locally adaptive derivative frames in orientation scores. IEEE transactions on medical imaging, 35(12), 2631-2644.
  • Perez-Rovira, A., MacGillivray, T., Trucco, E., Chin, K. S., Zutis, K., Lupascu, C., ... & Dhillon, B. (2011, August). VAMPIRE: Vessel assessment and measurement platform for images of the REtina. In 2011 Annual International Conference of the IEEE Engineering in Medicine and Biology Society (pp. 3391-3394). IEEE.
  • Gulshan, V., Peng, L., Coram, M., Stumpe, M. C., Wu, D., Narayanaswamy, A., ... & Webster, D. R. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. jama, 316(22), 2402-2410.
  • Elkholy, M., & Marzouk, M. A. (2024). Deep learning-based classification of eye diseases using Convolutional Neural Network for OCT images. Frontiers in Computer Science, 5, 1252295.
  • Puneet, Kumar, R., & Gupta, M. (2022). Optical coherence tomography image based eye disease detection using deep convolutional neural network. Health Information Science and Systems, 10(1), 13.
  • Kim, J., & Tran, L. (2021, October). Retinal disease classification from oct images using deep learning algorithms. In 2021 IEEE Conference on Computational Intelligence in Bioinformatics and Computational Biology (CIBCB) (pp. 1-6). Ieee.
  • Hassan, E., Elmougy, S., Ibraheem, M. R., Hossain, M. S., AlMutib, K., Ghoneim, A., ... & Talaat, F. M. (2023). Enhanced deep learning model for classification of retinal optical coherence tomography images. Sensors, 23(12), 5393.
  • Khan, A., Pin, K., Aziz, A., Han, J. W., & Nam, Y. (2023). Optical coherence tomography image classification using hybrid deep learning and ant colony optimization. Sensors, 23(15), 6706.
  • Nazir, T., Nawaz, M., Rashid, J., Mahum, R., Masood, M., Mehmood, A., ... & Hussain, A. (2021). Detection of diabetic eye disease from retinal images using a deep learning based CenterNet model. Sensors, 21(16), 5283.
  • Kadry, S., Rajinikanth, V., González Crespo, R., & Verdú, E. (2022). Automated detection of age-related macular degeneration using a pre-trained deep-learning scheme. The Journal of Supercomputing, 78(5), 7321-7340.
  • Tayal, A., Gupta, J., Solanki, A., Bisht, K., Nayyar, A., & Masud, M. (2022). DL-CNN-based approach with image processing techniques for diagnosis of retinal diseases. Multimedia systems, 28(4), 1417-1438.
  • Upadhyay, P. K., Rastogi, S., & Kumar, K. V. (2022). Coherent convolution neural network based retinal disease detection using optical coherence tomographic images. Journal of King Saud University-Computer and Information Sciences, 34(10), 9688-9695.
  • Muthukannan, P. (2022). Optimized convolution neural network based multiple eye disease detection. Computers in Biology and Medicine, 146, 105648.
  • Khan, U. S., & Khan, S. U. R. (2025). Boost diagnostic performance in retinal disease classification utilizing deep ensemble classifiers based on OCT. Multimedia Tools and Applications, 84(19), 21227-21247.
  • Naik, G., Narvekar, N., Agarwal, D., Nandanwar, N., & Pande, H. (2024, March). Eye disease prediction using ensemble learning and attention on oct scans. In Future of Information and Communication Conference (pp. 21-36). Cham: Springer Nature Switzerland.
  • Vardhan, K. B., Nidhish, M., & Shameem, D. N. (2024). Eye disease detection using deep learning models with transfer learning techniques. ICST Transactions on Scalable Information Systems, 11, 1-13.
  • Dash, S. K., Sethy, P. K., Das, A., Jena, S., & Nanthaamornphong, A. (2024). Advancements in deep learning for automated diagnosis of ophthalmic diseases: a comprehensive review. IEEE Access.
  • El-Ateif, S., & Idri, A. (2024). Eye diseases diagnosis using deep learning and multimodal medical eye imaging. Multimedia Tools and Applications, 83(10), 30773-30818.
  • George, N., Shine, L., Abraham, B., & Ramachandran, S. (2024). A two-stage CNN model for the classification and severity analysis of retinal and choroidal diseases in OCT images. International Journal of Intelligent Networks, 5, 10-18.
  • Aresta, G., Araújo, T., Schmidt-Erfurth, U., & Bogunović, H. (2025). Anomaly Detection in Retinal OCT Images With Deep Learning-Based Knowledge Distillation. Translational Vision Science & Technology, 14(3), 26-26.
  • Daniel, D. A. P., Santhana Sagaya Mary, A., & Chidambaranathan, S. (2025). Deep Learning‐Based Neuro Computing to Classify and Diagnosis of Ophthalmology by OCT. Integrating Neurocomputing with Artificial Intelligence, 159-173.
  • Mushtaq, A., Kumar, K. K., & Subhashini, R. (2025, July). Ocular disease recognition using deep learning. In AIP Conference Proceedings (Vol. 3257, No. 1, p. 020144). AIP Publishing LLC.
  • Al-Fahdawi, S., Al-Waisy, A. S., Zeebaree, D. Q., Qahwaji, R., Natiq, H., Mohammed, M. A., ... & Deveci, M. (2024). Fundus-deepnet: Multi-label deep learning classification system for enhanced detection of multiple ocular diseases through data fusion of fundus images. Information Fusion, 102, 102059.
  • Govindan, M., Dhakshnamurthy, V. K., Sreerangan, K., Nagarajan, M. D., & Rajamanickam, S. K. (2024). A framework for early detection of glaucoma in retinal fundus images using deep learning. Engineering Proceedings, 62(1), 3.
  • Sharmin, S., Rashid, M. R., Khatun, T., Hasan, M. Z., & Uddin, M. S. (2024). A dataset of color fundus images for the detection and classification of eye diseases. Data in Brief, 57, 110979.
  • Hussain, S. K., Ramay, S. A., Shaheer, H., Abbas, T., Mushtaq, M. A., Paracha, S., & Saeed, N. (2024). Automated classification of ophthalmic disorders using color fundus images. Volume, 12, 1344-1348.
  • Tang, Q. Q., Yang, X. G., Wang, H. Q., Wu, D. W., & Zhang, M. X. (2024). Applications of deep learning for detecting ophthalmic diseases with ultrawide-field fundus images. International Journal of Ophthalmology, 17(1), 188.
  • Rom, Y., Aviv, R., Cohen, G. Y., Friedman, Y. E., Ianchulev, T., & Dvey-Aharon, Z. (2024). Diabetes detection from non-diabetic retinopathy fundus images using deep learning methodology. Heliyon, 10(16).
  • Joshi, R. C., Sharma, A. K., & Dutta, M. K. (2024). VisionDeep-AI: Deep learning-based retinal blood vessels segmentation and multi-class classification framework for eye diagnosis. Biomedical Signal Processing and Control, 94, 106273.
  • Patil, R., & Sharma, S. (2024). Automatic glaucoma detection from fundus images using transfer learning. Multimedia Tools and Applications, 83(32), 78207-78226.
  • Patel, R. K., Chouhan, S. S., Lamkuche, H. S., & Pranjal, P. (2024). Glaucoma diagnosis from fundus images using modified Gauss-Kuzmin-distribution-based Gabor features in 2D-FAWT. Computers and Electrical Engineering, 119, 109538.
  • Lenka, S., Mayaluri, Z. L., & Panda, G. (2025). Glaucoma detection from retinal fundus images using graph convolution based multi-task model. e-Prime-Advances in Electrical Engineering, Electronics and Energy, 11, 100931.
  • Rayavel, P., Priyadharshini, S. A., Midhunadharshini, G., & Divyedharshini, G. (2025). Detection and classification of diabetic retinopathy in retinal fundus images using deep spiking Q Network optimized with partial reinforcement optimizer. Computers in Biology and Medicine, 196, 110863.
  • Aghabeigi Alooghareh, M. M., Sheikhey, M. M., Sahafi, A., Pirnejad, H., & Naemi, A. (2025). Deep Learning for Comprehensive Analysis of Retinal Fundus Images: Detection of Systemic and Ocular Conditions. Bioengineering, 12(8), 840.
  • Beegam, S., Kalra, M., Bhowmik, A., & Panda, J. K. (2025). Deep Learning Framework for Multiclass Detection of Ocular Diseases in Fundus Images.
  • Priya, E., Dhinesh, M., Rohitkumar, G., & Dheena, M. (2025, May). Harnessing Deep Learning Models in Fundus Imaging for Early Diagnosis in Eye Disorders. In 2025 Fourth International Conference on Smart Technologies, Communication and Robotics (STCR) (pp. 1-5). IEEE.
  • Ejaz, S., Zia, H. U., Majeed, F., Shafique, U., Altamiranda, S. C., Lipari, V., & Ashraf, I. (2025). Fundus image classification using feature concatenation for early diagnosis of retinal disease. Digital Health, 11, 20552076251328120.
Toplam 52 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Derin Öğrenme
Bölüm Derleme
Yazarlar

Tayyip Özcan 0000-0002-3111-5260

Hatice Türkdoğan 0000-0003-2112-825X

Fatih Horozoğlu 0000-0002-1442-6032

Gönderilme Tarihi 22 Ağustos 2025
Kabul Tarihi 2 Ocak 2026
Yayımlanma Tarihi 17 Mart 2026
DOI https://doi.org/10.65520/erciyesfen.1770680
IZ https://izlik.org/JA76FS38HM
Yayımlandığı Sayı Yıl 2026 Cilt: 42 Sayı: 1

Kaynak Göster

APA Özcan, T., Türkdoğan, H., & Horozoğlu, F. (2026). Göz Hastalıklarında Tanı Yöntemleri ve Derin Öğrenme Uygulamaları: Bir Literatür Çalışması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, 42(1). https://doi.org/10.65520/erciyesfen.1770680
AMA 1.Özcan T, Türkdoğan H, Horozoğlu F. Göz Hastalıklarında Tanı Yöntemleri ve Derin Öğrenme Uygulamaları: Bir Literatür Çalışması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. 2026;42(1). doi:10.65520/erciyesfen.1770680
Chicago Özcan, Tayyip, Hatice Türkdoğan, ve Fatih Horozoğlu. 2026. “Göz Hastalıklarında Tanı Yöntemleri ve Derin Öğrenme Uygulamaları: Bir Literatür Çalışması”. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 42 (1). https://doi.org/10.65520/erciyesfen.1770680.
EndNote Özcan T, Türkdoğan H, Horozoğlu F (01 Mart 2026) Göz Hastalıklarında Tanı Yöntemleri ve Derin Öğrenme Uygulamaları: Bir Literatür Çalışması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 42 1
IEEE [1]T. Özcan, H. Türkdoğan, ve F. Horozoğlu, “Göz Hastalıklarında Tanı Yöntemleri ve Derin Öğrenme Uygulamaları: Bir Literatür Çalışması”, Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, c. 42, sy 1, Mar. 2026, doi: 10.65520/erciyesfen.1770680.
ISNAD Özcan, Tayyip - Türkdoğan, Hatice - Horozoğlu, Fatih. “Göz Hastalıklarında Tanı Yöntemleri ve Derin Öğrenme Uygulamaları: Bir Literatür Çalışması”. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi 42/1 (01 Mart 2026). https://doi.org/10.65520/erciyesfen.1770680.
JAMA 1.Özcan T, Türkdoğan H, Horozoğlu F. Göz Hastalıklarında Tanı Yöntemleri ve Derin Öğrenme Uygulamaları: Bir Literatür Çalışması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. 2026;42. doi:10.65520/erciyesfen.1770680.
MLA Özcan, Tayyip, vd. “Göz Hastalıklarında Tanı Yöntemleri ve Derin Öğrenme Uygulamaları: Bir Literatür Çalışması”. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi, c. 42, sy 1, Mart 2026, doi:10.65520/erciyesfen.1770680.
Vancouver 1.Tayyip Özcan, Hatice Türkdoğan, Fatih Horozoğlu. Göz Hastalıklarında Tanı Yöntemleri ve Derin Öğrenme Uygulamaları: Bir Literatür Çalışması. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Fen Bilimleri Dergisi. 01 Mart 2026;42(1). doi:10.65520/erciyesfen.1770680

Amaç ve Kapsam

Erciyes Üniversitesi, Fen Bilimleri Enstitüsü Dergisi Ulusal ve Uluslararası araştırmacıların bilim ve teknolojiye sağlayacakları en son katkıları yayımlamayı ilke edinmiş bir bilimsel dergidir. Dünyanın her tarafından araştırmacıların bilim ve teknolojiye dair bilgi ve becerilerini geliştirmeyi, paylaşmayı ve tartışmayı amaç edinir. Makaleler İngilizce olarak sunulmalıdır.

Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi özgün bilimsel araştırmalar ile uygulama çalışmalarına yer veren bir dergidir. Dergide fen ve mühendislik bilimlerinde yapılmış deneysel ve teorik ilerlemeleri konu alan analitik ve nümerik çözümleri içeren araştırma makalesi türündeki çalışmalara  yer verilir.

BENZERLİK ORANI DOSYASI : Makalenizin referanslar bölümü dahil Tam Metni "iThenticate" veya "Turnitin" programları ile taranmalıdır. İlgili programdan alacağınız benzerlik oranı sonucunun PDF formatında sistemimize yüklenilmesi gerekmektedir.

Dergi Makale Formatını İndirin

http://dergipark.org.tr/download/journal-file/14761

Link açılmazsa başka bir internet tarayıcısından deneyiniz. (Internet Explorer, Mozilla Firefox, Edge, Opera, Safari, Netscape vs.) veya linke sağ tıklayıp "Bağlantıyı farklı kaydet" deyiniz veya linki kopyalayıp arama çubuğuna yapıştırıp enter'layınız.

⛔ Makalenin yazar(lar)ının tahrif edilmiş ve uydurma veriler kullandığı tespit edildiği takdirde, bu durum yazarların çalıştığı kuruma bildirilerek makale reddedilir. İntihal oranı üst sınırı %20 (Kaynaklar hariç) olarak belirlenmiş ve intihal oranı %20'yi geçen makaleler, değerlendirmeye alınmaz.

⛔ Dergimize gönderilen makaleler için yazarların telif hakkı devir formunu doldurması gerekmektedir.

✯ Etik kurul izni gerektiren, tüm bilim dallarında yapılan araştırmalar için etik kurul onayı alınmış olmalı, bu onay makalede belirtilmeli ve belgelendirilmelidir.
✯ Etik kurul izni gerektiren araştırmalarda, izinle ilgili bilgilere (kurul adı, tarih ve sayı no) yöntem bölümünde, ayrıca makalenin ilk/son sayfalarından birinde; olgu sunumlarında, bilgilendirilmiş gönüllü olur/onam formunun imzalatıldığına dair bilgiye makalede yer verilmelidir.
✯ Dergi web sayfasında, makalelerde Araştırma ve Yayın Etiğine uyulduğuna dair ifadeye yer verilmelidir.
✯ Dergi web sayfasında, hakem, yazar ve editör için ayrı başlıklar altında etik kurallarla ilgili bilgi verilmelidir.
✯ Dergide ve/veya web sayfasında, ulusal ve uluslararası standartlara atıf yaparak, dergide ve/veya web sayfasında etik ilkeler ayrı başlık altında belirtilmelidir. Örneğin; dergilere gönderilen bilimsel yazılarda, ICMJE (International Committee of Medical Journal Editors) tavsiyeleri ile COPE (Committee on Publication Ethics)’un Editör ve Yazarlar için Uluslararası Standartları dikkate alınmalıdır.
✯ Kullanılan fikir ve sanat eserleri için telif hakları düzenlemelerine riayet edilmesi gerekmektedir.

Dergimiz ücretli değildir.

Atıf Dizinleri

TR Dizin

Diğer Dizinler

ResearchBib
WORLDCAT
Index Copernicus - ICI Journal Master List
Index Copernicus ICI World of Journals
Google Scholar
Paperity

Baş Editör

Munise Didem Demirbaş
Munise Didem DEMİRBAŞ
Mühendislik, Katı Mekanik, Makine Mühendisliği (Diğer), Kompozit ve Hibrit Malzemeler

Yardımcı Baş Editör

Umut Caliskan
Umut CALİSKAN
Makine Mühendisliği, Balistik Sistemleri, Katı Mekanik, Kompozit ve Hibrit Malzemeler
Mehmet Çağrı Soylu
Mehmet Çağrı SOYLU
Biyomedikal Bilimler ve Teknolojiler, Biyomedikal Tanı, Tıbbi Cihazlar

Editörler Kurulu

Default avatar
Nafiz KAHRAMAN
Mühendislik, Aerodinamik (Hipersonik Aerodinamik Hariç), Enerji, İçten Yanmalı Motorlar
Murat Muştu
Murat MUŞTU
Entomoloji, Bitki Koruma, Tarımda Entomoloji
Default avatar
Ahmet Alper ÖNER
Akışkan Mekaniği ve Termal Mühendislik, Hidromekanik, Su Kaynakları ve Su Yapıları
Default avatar
Hacı Abdullah TAŞDEMİR
Makine Mühendisliği, Katı Mekanik, Makine Tasarımı ve Makine Elemanları, Malzeme Tasarım ve Davranışları, Triboloji
Default avatar
Cem BOĞA
Sonlu Elemanlar Analizi, Kırılma Mekaniği, Katı Mekanik, Kaynak Teknolojileri, Kompozit ve Hibrit Malzemeler, Nanoteknoloji, Mekanik Titreşimler ve Gürültü
Default avatar
Demet BALKAN
Uzay Mühendisliği, Havacılık Malzemeleri, Havacılık Yapıları, Uydu, Uzay Aracı ve Füze Tasarımı ve Testleri, Uzay Mühendisliği (Diğer)
Default avatar
TAYYİP ÖZCAN

T. Özcan, 2010 yılında İstanbul Kültür Üniversitesi, İstanbul, Türkiye'den bilgisayar mühendisliği alanında lisans derecesini, 2016 ve 2020 yıllarında ise Erciyes Üniversitesi Bilgisayar Mühendisliği Bölümü'nden yüksek lisans ve doktora derecelerini almıştır. 2013 yılında Erciyes Üniversitesi Bilgisayar Mühendisliği Bölümü'ne Araştırma Görevlisi olarak katılmıştır. Araştırma ilgi alanları arasında akıllı optimizasyon algoritmaları, görüntü işleme, makine öğrenmesi, derin öğrenme ve Kalman filtreleme bulunmaktadır. Uygulama alanları insan eylemi tanıma, insan-bilgisayar etkileşimi ve sağlık ile tarımda yapay zekâ konularına odaklanmaktadır.
Bilgi ve Bilgi İşleme Bilimleri, Derin Öğrenme, Makine Öğrenme (Diğer)
Sedat Per
Sedat PER
Biyoloji, Hayvan Sistematiği ve Taksonomi, Akaroloji, Hayvan Fizyolojisi - Ekofizyoloji
Savaş Bayram
Savaş BAYRAM
Proje ve Yapım Yönetimi, Yapı İşletmesi
Selma Büyükkılıç Beyzi
Selma BÜYÜKKILIÇ BEYZİ
Hayvan Diyeti ve Beslenme, Hayvan Bilimi (Diğer), Süt Teknolojisi, Hayvan Besleme, Zootekni, Genetik ve Biyoistatistik
Ertan Kösedağ
Ertan KÖSEDAĞ
Sonlu Elemanlar Analizi, Makine Mühendisliği, Balistik Sistemleri, Katı Mekanik, Kompozit ve Hibrit Malzemeler, Malzeme Karekterizasyonu
Serkan Şahan
Serkan ŞAHAN
Akış Analizi, Analitik Spektrometri, Enstrümantal Yöntemler, Separasyon Bilimi
Default avatar
Derya HAROGLU
Tekstil Bilimleri ve Mühendisliği, Tekstil Teknolojisi, Tekstil Bilimleri ve Mühendisliği (Diğer)
Default avatar
Güher Pelin TOKER
Makine Mühendisliği (Diğer)
Emrah Tıraş
Emrah TIRAŞ

Erciyes Üniversitesi Fizik Bölümü'nde Doçent ve Araştırma Dekan Yardımcısı olarak çalışmaktayım. Fermi Ulusal Hızlandırıcı Laboratuvarı'nda (Fermilab) nötrino deneyleri, ANNIE, NOvA ve DUNE ve UC-Berkeley'deki EOS deneyi üzerinde çalışıyorum. Ayrıca ABD'deki Iowa Üniversitesi'nde araştırmacı bilim insanı ve yarı zamanlı öğretim üyesi olarak görev yapıyorum ve CERN'deki LHC'de CMS deneyinde de çalışmalarımı sürdürüyorum. 

Ocak 2017'den Ekim 2020'ye kadar, Iowa Eyalet Üniversitesi'nde doktora sonrası araştırmacı olarak Fermilab'daki nötrino deneyleri, ANNIE ve NOvA üzerinde çalıştım. ANNIE'de Deney Koordinatörü ve Faz II Yükseltme ve Kurulum Yöneticisi olarak görev yaptım. Ağustos 2012'de Yüksek Lisans derecemi, Aralık 2016'da ise CERN'deki LHC'de CMS deneyi üzerine Iowa Üniversitesi'nde doktora derecemi tamamladım. 
Makine Öğrenmesi Algoritmaları, Modelleme ve Simülasyon, Yüksek Enerji Astrofiziği ve Kozmik Işınlar, Genel Fizik, Kuantum Bilgisayarları, Kuantum Bilgisi, Hesaplama ve İletişim, Kuantum Teknolojileri, Nükleer Fizik, Radyofizik, Astroparçacık Fiziği ve Parçacık Kozmolojisi, Parçacık Fiziği, Hızlandırıcılar, Fotonik ve Elektro-Optik Cihazlar, Sensörler ve Sistemler (İletişim Hariç), Kuantum Mühendislik Sistemleri (Bilgisayar ve İletişim Dahil)
Default avatar
Hamdi MIHÇIOKUR
Su Kalitesi ve Su Kirliliği, Çevre Mühendisliği
Gülhan Güler
Gülhan GÜLER
Tekstil Bilimleri ve Mühendisliği, Tekstil Bilimi, Tekstil Teknolojisi
Default avatar
Handan GÜRSOY DEMİR
Makine Öğrenmesi Algoritmaları, Modelleme ve Simülasyon, Kontrol Teorisi ve Uygulamaları
Default avatar
Murat ŞAHİN
Enerji, Balistik Sistemleri, Enerji Üretimi, Dönüşüm ve Depolama (Kimyasal ve Elektiksel hariç), Makine Mühendisliği (Diğer)
Çağlar Sevim
Çağlar SEVİM
Makine Mühendisliği, Makine Teorisi ve Dinamiği
Default avatar
Kevser ŞAHİN TIRAŞ

Nanomalzemeler, kuantum teknolojileri ve yarıiletken fiziği alanında uzmanlaşmış bir fizikçi ve öğretim üyesiyim. Araştırmalarım, optoelektronik aygıtlar, fotodetektörler ve radyasyon algılama sistemlerinde kullanılmak üzere karbon kuantum noktaları, perovskit nanokristaller ve bu yapıların hibrit formlarının sentezi ve karakterizasyonuna odaklanmaktadır. Sintilatörler, ışık yoğunlaştırıcı (LSC) sistemler ve hibrit fotodetektörler için karbon temelli nanomalzemeleri konu alan TÜBİTAK destekli projeler de dahil olmak üzere birçok ulusal ve uluslararası araştırma projesinde yürütücü ve araştırmacı olarak görev aldım.

Deneysel nanoteknoloji çalışmalarımın yanı sıra, bilim iletişimi ve öğretim faaliyetlerine de büyük önem veriyorum. Kuantum hesaplama, nanoyapılar ve modern fizik konularında dersler veriyor; hakemli dergilerde yayımlanmış çok sayıda makalenin yazarı ve ortak yazarı olarak akademik üretime katkı sağlıyorum. Ayrıca, araştırmalarımı düzenli olarak uluslararası konferanslarda sunuyorum.

Profesyonel ilgi alanlarım nanofotonik, sürdürülebilir enerji malzemeleri ve gelişmiş radyasyon algılama teknolojilerinin kesişiminde yer almakta olup, özellikle çevre dostu ve suda çözünür nanomalzemelere odaklanmaktayım.
Kuantum Optik ve Kuantum Optomekaniği, Yoğun Maddenin Elektronik ve Manyetik Özellikleri; Süperiletkenlik, Yarı İletkenler, Nanoteknoloji
Murat Aydın
Murat AYDIN

Murat Aydın, Erciyes Üniversitesi'nde doçent olarak görev yapmaktadır. Aydın, akademik kariyerine 2007 yılında Erciyes Üniversitesi Makine Mühendisliği bölümünden mezun olarak başlamıştır. Yüksek lisans ve doktora derecelerini de aynı üniversitede tamamlamıştır. Doktora tezi, "Fonksiyonel kademelendirilmiş sandviç plakaların balistik davranışı" üzerinedir.

Aydın, 2009-2010 yılları arasında Erciyes Üniversitesi Sivil Havacılık Yüksekokulu'nda araştırma görevlisi olarak çalışmıştır. 2010-2014 yılları arasında aynı kurumda öğretim görevlisi olarak görev yapmış ve 2014 yılında Erciyes Üniversitesi Havacılık ve Uzay Bilimleri Fakültesi'ne doktor öğretim üyesi olarak atanmıştır. 2022 yılında doçent unvanını almıştır.

Aydın'ın araştırma alanları arasında kompozit malzemeler, balistik, darbe mekaniği ve fonksiyonel kademelendirilmiş malzemeler bulunmaktadır. Uluslararası hakemli dergilerde yayınlanmış çok sayıda makalesi ve bildirimi bulunmaktadır. Ayrıca, TÜBİTAK ve Avrupa Birliği tarafından desteklenen çeşitli projelerde görev almıştır.

Aydın, akademik çalışmalarının yanı sıra, Erciyes Üniversitesi Havacılık Çalışmaları Uygulama ve Araştırma Merkezi Müdürü ve Uçak Mühendisliği Bölüm Başkanı olarak idari görevler de üstlenmektedir.
Malzeme Bilimi ve Teknolojileri, Balistik Sistemleri, Kompozit ve Hibrit Malzemeler, Havacılık Malzemeleri
Default avatar
Ömer Yavuz BOZKURT
Sonlu Elemanlar Analizi, Katı Mekanik, Kompozit ve Hibrit Malzemeler
Mevlüt Hakan
Mevlüt HAKAN
Sonlu Elemanlar Analizi, Makine Mühendisliği, Katı Mekanik, Makine Mühendisliğinde Sayısal Yöntemler, Kompozit ve Hibrit Malzemeler
Orhan Keklikcioğlu
Orhan KEKLİKCİOĞLU
Makine Mühendisliği
Fatma Öztürk Küp
Fatma ÖZTÜRK KÜP
Hücre Gelişimi, Proliferasyon ve Ölümü, Hücre Metabolizması, Endüstriyel Biyoteknoloji, Nanobiyoteknoloji, Hayvan Hücresi ve Moleküler Biyoloji
Default avatar
Sümeyye ÜSTÜNTAĞ
İplik Teknolojisi, Kumaş Teknolojisi, Lif Teknolojisi, Tekstil Teknolojisi, Tekstil Bilimleri ve Mühendisliği (Diğer)
Default avatar
Şükrü Taner AZGIN
Doğal Kaynak Yönetimi, İklim Değişikliğinin Ekolojik Etkileri ve Ekolojik Adaptasyon, Temiz Üretim Teknolojileri, Yenilenebilir Enerji Sistemleri
Default avatar
Serhan İLKENTAPAR
Yapı Malzemeleri
Emel Kızılkaya Aydogan
Emel KIZILKAYA AYDOGAN
Derin Öğrenme, Denetimli Öğrenme, Makine Öğrenmesi Algoritmaları, Çevresel Olarak Sürdürülebilir Mühendislik, Çok Ölçütlü Karar Verme, Endüstri Mühendisliği, Ergonomi ve İnsan Faktörleri Yönetimi, Üretimde Optimizasyon, Yeni Ürün Geliştirme

✯ Etik kurul izni gerektiren, tüm bilim dallarında yapılan araştırmalar için etik kurul onayı alınmış olmalı, bu onay makalede belirtilmeli ve belgelendirilmelidir.
✯ Etik kurul izni gerektiren araştırmalarda, izinle ilgili bilgilere (kurul adı, tarih ve sayı no) yöntem bölümünde, ayrıca makalenin ilk/son sayfalarından birinde; olgu sunumlarında, bilgilendirilmiş gönüllü olur/onam formunun imzalatıldığına dair bilgiye makalede yer verilmelidir.
✯ Dergi web sayfasında, makalelerde Araştırma ve Yayın Etiğine uyulduğuna dair ifadeye yer verilmelidir.
✯ Dergi web sayfasında, hakem, yazar ve editör için ayrı başlıklar altında etik kurallarla ilgili bilgi verilmelidir.
✯ Dergide ve/veya web sayfasında, ulusal ve uluslararası standartlara atıf yaparak, dergide ve/veya web sayfasında etik ilkeler ayrı başlık altında belirtilmelidir. Örneğin; dergilere gönderilen bilimsel yazılarda, ICMJE (International Committee of Medical Journal Editors) tavsiyeleri ile COPE (Committee on Publication Ethics)’un Editör ve Yazarlar için Uluslararası Standartları dikkate alınmalıdır.
✯ Kullanılan fikir ve sanat eserleri için telif hakları düzenlemelerine riayet edilmesi gerekmektedir.