Geliştirilmiş YOLO mimarisi kullanılarak optik koherens tomografi (OCT) görüntülerinde gerçek zamanlı hastalık tespiti ve analizi

Öz

Retina hastalıkları, gözün retina tabakasını etkileyerek ilerleyici görme kaybına neden olmaktadır. Bu hastalıklar genellikle yavaş ilerlediği için erken dönemde teşhis edilmesi gerekmektedir. Günümüzde uzmanlar retina hastalıklarının teşhisinde Fundus Floressein Anjiografi (FFA) ve Optik Koherens Tomografi (OCT) testlerinden yararlanmaktadır. Ancak, söz konusu testlerin doğru bir şekilde yorumlanabilmesi için alanında uzman hekimlerin değerlendirmesine ihtiyaç duyulmaktadır. Özellikle hasta sayısındaki artış, bu görüntülerin manuel olarak incelenmesini güçleştirmekte; buna ek olarak, kırsal bölgelerde yaşanan uzman hekim eksikliği, tanı süreçlerinde gecikmelere neden olabilmektedir. Bu çalışmada ise Retinal OCT-C8 veri seti kullanılarak 8 farklı retina hastalığı sınıflandırılmıştır. Sınıflandırma sürecinde standart You Only Look Once (YOLO) algoritmasının yanı sıra geliştirilmiş YOLO modelleri de kullanılmıştır. Geliştirilen YOLO modellerinde mimari derinlik katman sayısı artırılarak iyileştirilmiştir. YOLOv5 modelinde ek olarak K-Means ile kümelenmiş anchor boxlar eklenmiştir. Retinal OCT-C8 veri setinde yapılan test işleminde geliştirilmiş YOLOv8 modeli, %98.1 doğruluk, %97.6 kesinlik, %98.6 duyarlılık ve %98 F-Skor değerleri ile bu karşılaştırmadaki en iyi performans gösteren modeldir. Modelin genel performansını değerlendirmek amacıyla farklı veri setleri üzerinde de testler gerçekleştirilmiştir. OCTDL veri seti ile yapılan testlerde %88 doğruluk değeri ve %89, F-Skor değeri, OCTID veri seti ile yapılan testlerde ise %86 doğruluk değeri ve %90 F-Skor değeri elde edilmiştir. Ayrıca bu çalışmada, doktorların retina fotoğraflarını yükleyerek test edebileceği ve hasta bilgilerini düzenleyebileceği bir yazılım geliştirilmiştir. Elde edilen sonuçlar, geliştirilen modelin farklı veri kümeleri üzerinde yüksek doğrulukla çalıştığını ve retina hastalıklarının otomatik teşhisinde etkili bir yöntem sunduğunu ortaya koymaktadır. Ayrıca geliştirilen yazılım ile birlikte, tanı sürecinin kısa sürede tamamlanabileceğini de göstermektedir.

Anahtar Kelimeler

• Retina Hastalıkları
• Derin Öğrenme
• Geliştirilmiş YOLO Algoritması
• Gerçek Zamanlı Tespit

Real-Time disease detection and analysis in optical coherence tomography (OCT) images using an improved YOLO architecture

Öz

Retinal diseases progressively lead to vision loss by affecting the eye's retina layer. Early diagnosis is crucial as these conditions often advance slowly. Currently, specialists utilize Fundus Fluorescein Angiography (FFA) and Optical Coherence Tomography (OCT) for diagnosing retinal diseases. However, accurate interpretation of these diagnostic tests requires evaluation by medical specialists in the field. The increasing number of patients makes it challenging to manually examine these images; moreover, the shortage of expert physicians in rural areas further contributes to delays in the diagnostic process. In this study, eight different retinal diseases have been classified using the Retinal OCT-C8 dataset. In addition to the standard You Only Look Once (YOLO) algorithm, enhanced YOLO models have been used in the classification process. The architecture of the developed YOLO models has been improved by increasing the number of depth layers. Additionally, K-Means clustered anchor boxes have been added to the YOLOv5 model. In tests conducted on the Retinal OCT-C8 dataset, the improved YOLOv8 model demonstrated superior performance with 98.1% accuracy, 97.6% precision, 98.6% recall, and a 98% F-Score, making it the best-performing model in this comparison. To assess the model's generalizability, further tests were conducted on different datasets. The model achieved 88% accuracy and an 89% F-Score on the OCTDL dataset, and 86% accuracy and a 90% F-Score on the OCTID dataset. In addition to the development of models, this study also involved the creation of a software application. This application allows doctors to upload and test retinal photographs, as well as manage patient information. The results demonstrate that the developed model operates with high accuracy across various datasets, offering an effective method for the automated diagnosis of retinal diseases. Furthermore, the accompanying software significantly expedites the diagnostic process.

Anahtar Kelimeler

• Retinal Diseases
• Deep Learning
• Improved YOLO Algorithm
• Real Time Detection

Kaynakça

1. 1. Baden, T., Euler, T., Berens, P., Understanding the retinal basis of vision across species. Nature Reviews Neuroscience, 21 (1), 5–20, 2020.
2. 2. World Health Organization, Dünya Sağlık Örgütünün İlk Dünya Görme Engellilik Raporu Yayınlandı. (Web sayfası: https://bit.ly/47qUgZG),(Erişim Tarihi: 17.07.2025), 2019.
3. 3. Veni Vidi Göz, Diabetik Retinopati, https://venividigoz.com/diyabetik-retinopati, Erişim Tarihi: 31 Mayıs 2024.
4. 4. Islam K.T., Wijewickrema S., O'Leary S., Identifying diabetic retinopathy from OCT images using deep transfer learning with artificial neural networks, 2019 IEEE 32nd International Symposium on Computer-Based Medical Systems (CBMS), 281–286, 2019.
5. 5. Zuo, Q., Shi, Z., Liu, B., Ping, N., Wang, J., Cheng, X., Zhang, K., Guo, J., Wu, Y., Hong, J., 2024. Multi-resolution visual Mamba with multi-directional selective 62 mechanism for retinal disease detection. Frontiers in Cell and Developmental Biology, 12, 1484880
6. 6. Muntaqim, M.Z. et al., 2024. Eye disease detection enhancement using a multi-stage deep learning approach. IEEE Access, 12:191393–191407.
7. 7. Qi, Z., Hong, J., Cheng, J., Long, G., Wang, H., Li, S., Cao, S., MSLI-Net: retinal disease detection network based on multi-segment localization and multi-scale interaction. Frontiers in Cell and Developmental Biology, 13, 1608325, 2025.
8. 8. Pan, H., Miao, J., Yu, J., Dong, J., Zhang, M., Wang, X., Feng, J., A lightweight model for the retinal disease classification using optical coherence tomography. Biomedical Signal Processing and Control, 101, 107146, 2025.

9. 9. Cheng, J., Long, G., Zhang, Z., Qi, Z., Wang, H., Lu, L., Wang, S., Zhang, Y., Hong, J., WaveNet-SF: A hybrid network for retinal disease detection based on wavelet transform in the spatial-frequency domain. arXiv preprint arXiv:2501.11854, 2025.
10. 10. Aouti, R.S., Redkar, S., Dwivedi, P. A lightweight multi-scale attention model for retinal disease diagnosis using optical coherence tomography images. Available at SSRN 5098000, 2025.
11. 11. Jin, J., Bhattarai, A., Miller, R., Kolb, E., Kambhamettu, C., A deep learning system for sickle cell retinopathy detection using retinal OCT images from children with sickle cell disease. Investigative Ophthalmology & Visual Science, 63 (7), 3280–A0332, 2022.
12. 12. Veena, K.M., Tummala, V., Sangaraju, Y.S.V., Reddy, M.S.V., Kumar, P., Mayya, V., Shailaja, S., FFA-Lens: Lesion detection tool for chronic ocular diseases in Fluorescein angiography images. SoftwareX, 26, 101646, 2024.
13. 13. Wei, W., Li, Y., Tang, Y., Xie, X., Li, K., Song, Y., Improved YOLOv8n model for retinal macular degeneration detection based on multi-scale feature fusion, 6th Optics Young Scientist Summit (OYSS 2023), volume 12975, SPIE, 20-23 Oct. 2023, Changsha, China, 200–206, 2023.
14. 14. Mahapadi, A.A., Shirsath, V., Pundge, A., Real-time diabetic retinopathy detection using YOLO-v10 with nature-inspired optimization. Biomedical Materials & Devices, 1–23, 2025.
15. 15. Kumar, A., Katal, N., A lightweight YOLO model for detection of disease from optic disc region of eye fundus imagery. Sensing and Imaging, 26 (1), 1–27, 2025.
16. 16. Younis, Y.B., Al Azzo, F., A technique for retinal detachment detection manipulating YOLOv8 models. NTU Journal of Engineering and Technology, 4 (1), 2025.
17. 17. Radhakrishnan D.N., Vinod A.P., Ravindran V., Eye disease identification using pyramid vision transformer, AIP Conf. Proc., 3237 (1), 030018, 2025.
18. 18. Pan, H., Miao, J., Yu, J., Dong, J., Zhang, M., Wang, X., Feng, J., A lightweight model for the retinal disease classification using optical coherence tomography. Biomedical Signal Processing and Control, 101, 107146, 2025. 19. Sreng S., Ramesh P., Nam Phuong P.D., Binte Abdul Gani N.F., Chua J., Nongpiur M.E., Aung T., Husain R., Schmetterer L., Wong D., Wide-field OCT volumetric segmentation using semi-supervised CNN and transformer integration, Sci. Rep., 15 (1), 6676, 2025.
19. 20. Ashtari-Majlan M., Masip D., Spatial-aware transformer-GRU framework for enhanced glaucoma diagnosis from 3D OCT imaging, IEEE J. Biomed. Health Inform., 2025.
20. 21. Yılmaz A.A., A novel deep learning-based framework with particle swarm optimisation for intrusion detection in computer networks, PLoS One, 20 (2), e0316253, 2025.
21. 22. Subramanian, M., Shanmugavadivel, K., Naren, O.S., Premkumar, K., Rankish, K., Classification of retinal oct images using deep learning, international conference on computer communication and informatics (ICCCI), IEEE, 25–27 Jan. 2022, Coimbatore, India, 1–7, 2022 2022.
22. 23. Kulyabin, M., Zhdanov, A., Nikiforova, A., Stepichev, A., Kuznetsova, A., Ronkin, M., Borisov, V., Bogachev, A., Korotkich, S., Constable, P.A. et al., Octdl: Optical coherence tomography dataset for image-based deep learning methods. Scientific data, 11 (1), 365, 2024.
23. 24. Gholami, P., Roy, P., Parthasarathy, M.K., Lakshminarayanan, V., OCTID: Optical coherence tomography image database. Computers Electrical Engineering, 81, 106532, 2020.
24. 25. Khanam, R., Hussain, M., Performance evaluation of YOLOv5 for object detection: A comparative study. arXiv preprint arXiv:2407.20892, 2024.
25. 26. Wang, C.Y., Bochkovskiy, A., Liao, H.Y.M., YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv preprint arXiv:2207.02696, 2022.
26. 27. Wang, C.Y., Jocher, G., YOLOv8: Ultralytics Next-Generation Object Detection Model, Ultralytics, 2023.