Araştırma Makalesi
BibTex RIS Kaynak Göster

Derin Öğrenme ile Optik Koherens Tomografi Görüntülerinin Sınıflandırılması

Yıl 2021, Cilt: 33 Sayı: 2, 607 - 615, 15.09.2021
https://doi.org/10.35234/fumbd.900079

Öz

Bu makalede, dünyada görme bozukluklarının %8.7’sinin sebebi olan yaşa bağlı makula dejenerasyonu hastalığının tespit edilmesi için otomatik bir sistem sunulmuştur. Hastalığın teşhisi için, son zamanlarda görüntüden özellik tanısı çıkarma işlemlerinde sıklıkla kullanılan evrişimsel sinir ağı mimarisinden faydalanılmıştır. Çalışmada, yaşa bağlı makula dejenerasyonu hastalığının sınıflandırılması için evrişimsel sinir ağı, etiketli 28031 adet OCT görüntüsü ile eğitilmiştir. Eğitilen evrişimsel sinir ağı 6900 adet OCT görüntüsü ile test edilmiştir. Eğitim ve test için Xception, VGG16, InceptionV3 ve Resnet50 derin öğrenme ağları kullanılmıştır. Eğitilen ağlar karşılaştırılıp OCT veri seti için ağların performansları değerlendirilmiştir. Derin öğrenme ağlarının test edilmesi sonucunda Resnet50 ağı 0.95, VGG16 ağı 0.95, InceptionV3 ağı 0.97 ve Xception ağı 0.98 doğruluk oranı OCT veri setini sınıflandırmıştır. 0.96 değerindeki F1 skoruyla Xception ağı kullanılan OCT veri seti üzerindeki en başarılı sınıflandırmayı elde etmiştir.

Kaynakça

  • Rodríguez, Ignacio R., and Ignacio M. Larrayoz. "Cholesterol oxidation in the retina: implications of 7KCh formation in chronic inflammation and age-related macular degeneration." Journal of lipid research 51.10 (2010): 2847-2862.
  • Fine, Stuart L., et al. "Age-related macular degeneration." New England Journal of Medicine 342.7 (2000): 483-492.
  • Wong, Wan Ling, et al. "Global prevalence of age-related macular degeneration and disease burden projection for 2020 and 2040: a systematic review and meta-analysis." The Lancet Global Health 2.2 (2014): e106-e116.
  • Al Gwairi, Othman, et al. "Cellular and molecular pathology of age-related macular degeneration: potential role for proteoglycans." Journal of ophthalmology 2016 (2016).
  • Sibel, İ. N. A. N. "Retina anatomisi." Kocatepe Tıp Dergisi 15.3 (2014): 355-359.
  • Nowak, Jerzy Z. "Age-related macular degeneration (AMD): pathogenesis and therapy." Pharmacological Reports 58.3 (2006): 353.
  • Age-Related Eye Disease Study Research Group. "The Age-Related Eye Disease Study system for classifying age-related macular degeneration from stereoscopic color fundus photographs: the Age-Related Eye Disease Study Report Number 6." American journal of ophthalmology 132.5 (2001): 668-681.
  • ImageNet Veri Seti. http://www.image-net.org
  • Image Classification on ImageNet. https://paperswithcode.com/sota/image-classification-on-imagenet
  • Retinal OCT Images. https://www.kaggle.com/paultimothymooney/kermany2018
  • Chollet, François. "Xception: Deep learning with depthwise separable convolutions." Proceedings of the IEEE conference on computer vision and pattern recognition. 2017.
  • He, Kaiming, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. "Deep residual learning for image recognition." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770-778. 2016.
  • Simonyan, Karen, and Andrew Zisserman. "Very deep convolutional networks for large-scale image recognition." arXiv preprint arXiv:1409.1556 (2014).
  • Szegedy, Christian, Vincent Vanhoucke, Sergey Ioffe, Jon Shlens, and Zbigniew Wojna. "Rethinking the inception architecture for computer vision." In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 2818-2826. 2016.

Classification of OCT Images via Deep Learning

Yıl 2021, Cilt: 33 Sayı: 2, 607 - 615, 15.09.2021
https://doi.org/10.35234/fumbd.900079

Öz

In this article, an automatic system is presented to detect age-related macular degeneration, which is the cause of 8.7% of visual impairment in the world. For the diagnosis of the disease convolutional neural network, which has recently been used in feature extraction from the image, has been utilized. In the study, the convolutional neural network was trained with 28031 labeled OCT images to classify age-related macular degeneration. The trained convolutional neural network was tested with 6900 OCT images. Xception, VGG16, Inception V3 and Resnet50 deep learning networks were used for training and testing. The trained networks were compared and the performance of the networks was evaluated for the OCT dataset. Classification of OCT images using Resnet50 network achieved 0.95, VGG16 network achieved 0.95, InceptionV3 network achieved 0.97 and Xception network achieved accuracy of 0.98. Xception network achieved F1 score of 0.96 which is highest rate of classification on the OCT dataset.

Kaynakça

  • Rodríguez, Ignacio R., and Ignacio M. Larrayoz. "Cholesterol oxidation in the retina: implications of 7KCh formation in chronic inflammation and age-related macular degeneration." Journal of lipid research 51.10 (2010): 2847-2862.
  • Fine, Stuart L., et al. "Age-related macular degeneration." New England Journal of Medicine 342.7 (2000): 483-492.
  • Wong, Wan Ling, et al. "Global prevalence of age-related macular degeneration and disease burden projection for 2020 and 2040: a systematic review and meta-analysis." The Lancet Global Health 2.2 (2014): e106-e116.
  • Al Gwairi, Othman, et al. "Cellular and molecular pathology of age-related macular degeneration: potential role for proteoglycans." Journal of ophthalmology 2016 (2016).
  • Sibel, İ. N. A. N. "Retina anatomisi." Kocatepe Tıp Dergisi 15.3 (2014): 355-359.
  • Nowak, Jerzy Z. "Age-related macular degeneration (AMD): pathogenesis and therapy." Pharmacological Reports 58.3 (2006): 353.
  • Age-Related Eye Disease Study Research Group. "The Age-Related Eye Disease Study system for classifying age-related macular degeneration from stereoscopic color fundus photographs: the Age-Related Eye Disease Study Report Number 6." American journal of ophthalmology 132.5 (2001): 668-681.
  • ImageNet Veri Seti. http://www.image-net.org
  • Image Classification on ImageNet. https://paperswithcode.com/sota/image-classification-on-imagenet
  • Retinal OCT Images. https://www.kaggle.com/paultimothymooney/kermany2018
  • Chollet, François. "Xception: Deep learning with depthwise separable convolutions." Proceedings of the IEEE conference on computer vision and pattern recognition. 2017.
  • He, Kaiming, Xiangyu Zhang, Shaoqing Ren, and Jian Sun. "Deep residual learning for image recognition." In Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770-778. 2016.
  • Simonyan, Karen, and Andrew Zisserman. "Very deep convolutional networks for large-scale image recognition." arXiv preprint arXiv:1409.1556 (2014).
  • Szegedy, Christian, Vincent Vanhoucke, Sergey Ioffe, Jon Shlens, and Zbigniew Wojna. "Rethinking the inception architecture for computer vision." In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 2818-2826. 2016.
Toplam 14 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm MBD
Yazarlar

Numan Halit Güldemir 0000-0003-1202-6841

Ahmet Alkan 0000-0003-0857-0764

Yayımlanma Tarihi 15 Eylül 2021
Gönderilme Tarihi 19 Mart 2021
Yayımlandığı Sayı Yıl 2021 Cilt: 33 Sayı: 2

Kaynak Göster

APA Güldemir, N. H., & Alkan, A. (2021). Derin Öğrenme ile Optik Koherens Tomografi Görüntülerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 33(2), 607-615. https://doi.org/10.35234/fumbd.900079
AMA Güldemir NH, Alkan A. Derin Öğrenme ile Optik Koherens Tomografi Görüntülerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. Eylül 2021;33(2):607-615. doi:10.35234/fumbd.900079
Chicago Güldemir, Numan Halit, ve Ahmet Alkan. “Derin Öğrenme Ile Optik Koherens Tomografi Görüntülerinin Sınıflandırılması”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 33, sy. 2 (Eylül 2021): 607-15. https://doi.org/10.35234/fumbd.900079.
EndNote Güldemir NH, Alkan A (01 Eylül 2021) Derin Öğrenme ile Optik Koherens Tomografi Görüntülerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 33 2 607–615.
IEEE N. H. Güldemir ve A. Alkan, “Derin Öğrenme ile Optik Koherens Tomografi Görüntülerinin Sınıflandırılması”, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, c. 33, sy. 2, ss. 607–615, 2021, doi: 10.35234/fumbd.900079.
ISNAD Güldemir, Numan Halit - Alkan, Ahmet. “Derin Öğrenme Ile Optik Koherens Tomografi Görüntülerinin Sınıflandırılması”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi 33/2 (Eylül 2021), 607-615. https://doi.org/10.35234/fumbd.900079.
JAMA Güldemir NH, Alkan A. Derin Öğrenme ile Optik Koherens Tomografi Görüntülerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2021;33:607–615.
MLA Güldemir, Numan Halit ve Ahmet Alkan. “Derin Öğrenme Ile Optik Koherens Tomografi Görüntülerinin Sınıflandırılması”. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, c. 33, sy. 2, 2021, ss. 607-15, doi:10.35234/fumbd.900079.
Vancouver Güldemir NH, Alkan A. Derin Öğrenme ile Optik Koherens Tomografi Görüntülerinin Sınıflandırılması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi. 2021;33(2):607-15.