DIAGNOSIS OF GLAUCOMA USING DEEP LEARNING METHODS

Öz

Glaucoma is a critical health issue characterized by progressive optic nerve atrophy and is one of the most common causes of irreversible vision loss worldwide. Early diagnosis is of vital importance to halt the progression of the disease and preserve patients' quality of life. In this study, an end-to-end decision support system with deep learning-based cloud integration has been developed for glaucoma diagnosis via fundus images. Within the scope of the study, a comprehensive database of 1855 images were created by merging existing literature datasets, and images were pre-processed using YUV color space transformation and data augmentation techniques. The VGG16, ResNet50, and MobileNetV3Small architectures were trained using the transfer learning method, and their performances were comparatively analyzed. Experimental results demonstrated that the MobileNetV3Small architecture achieved a high success rate with a 95.60% accuracy and 96.1% recall, proving to be the most optimized model for cloud-based real-time analysis due to its low computational cost. The developed system processes images uploaded by the client on a remote server via a Flask-based API and delivers diagnostic results to the user in a short period of approximately 1,2 seconds. This study confirms that integrating deep learning models with cloud computing can establish a fast and reliable preliminary diagnosis mechanism, particularly in regions with limited access to specialist physicians.

Anahtar Kelimeler

• Glaucoma Diagnosis
• Deep Learning
• MobileNetV3Small
• Cloud Computing
• Fundus Images

DERİN ÖĞRENME YÖNTEMLERİ İLE GLOKOM HASTALIĞININ TEŞHİSİ

Öz

Glokom, optik sinirde ilerleyici atrofiye neden olan ve dünya genelinde geri dönüşü olmayan görme kaybının en yaygın nedenlerinden biri olan kritik bir sağlık sorunudur. Erken teşhis, hastalığın ilerlemesini durdurmak ve hastaların yaşam kalitesini korumak için hayati önem taşımaktadır. Bu çalışmada, fundus görüntüleri üzerinden glokom teşhisi yapabilen, derin öğrenme tabanlı ve bulut entegrasyonuna sahip uçtan uca bir karar destek sistemi geliştirilmiştir. Çalışma kapsamında literatürdeki veri setleri birleştirilerek 1855 görüntülük geniş bir veri tabanı oluşturulmuş; görüntüler YUV renk uzayı dönüşümü ve veri artırma teknikleriyle ön işlemeye tabi tutulmuştur. VGG16, ResNet50 ve MobileNetV3Small mimarileri transfer öğrenme (transfer learning) yöntemiyle eğitilerek performansları karşılaştırmalı olarak analiz edilmiştir. Deneysel sonuçlar, MobileNetV3Small mimarisinin %95,60 doğruluk ve %96,1 duyarlılık (recall) oranları ile yüksek bir başarı sergilediğini, düşük işlem maliyeti sayesinde bulut tabanlı gerçek zamanlı analizler için en optimize model olduğunu ortaya koymuştur. Geliştirilen sistem, istemci tarafından yüklenen görüntüleri Flask tabanlı bir API aracılığıyla uzak sunucuda işleyerek teşhis sonuçlarını 1,2 saniye gibi kısa bir sürede kullanıcıya iletmektedir. Bu çalışma, derin öğrenme modellerinin bulut bilişimle entegre edilmesinin, özellikle uzman hekim sayısının kısıtlı olduğu bölgelerde hızlı ve güvenilir bir ön tanı mekanizması oluşturabileceğini kanıtlamaktadır.

Anahtar Kelimeler

• Glokom Teşhisi
• Derin Öğrenme
• MobileNetV3Small
• Bulut Bilişim
• Fundus Görüntüleri

Destekleyen Kurum

Tübitak 2209 kapsmında desteklenmiştir

Teşekkür

Bu proje, TÜBİTAK 2209-A kapsamında 1919B012333563 numaralı proje ile destek almaya hak kazanmıştır. Bizleri desteklediği için TÜBİTAK’a teşekkürler ederiz.

Kaynakça

1. Abdelmalek, B., Ahmed, K. ve Amine, T. M. (2019). Survey on lightweight CNN-based object detection algorithms for platforms with limited computational resources. Journal Name, 2 (2): 28-44.
2. Elgin, U. (2019). Glokom tanı ve takibinde yapay zekâ.
3. Hussein Ibrahim, M. ve Hacıbeyoğlu, M. (2020). Diagnosis of glaucoma disease by analyzing the visual field with deep learning. European Journal of Science and Technology, Özel Sayı: 412-416.
4. Karakucuk, Y. ve Eker, S. (2020). Oftalmolojide yapay zeka ve derin öğrenme uygulamaları.
5. Koçak, N., Onur, B. E., Kaya, M., Aslankara, H., Cimilli, H. C. ve Kaynak, S. (2014). Glokom hastalığı ve yaşa bağlı makula dejeneransının yaşam kalitesi üzerine etkileri. Dokuz Eylül Üniversitesi Tıp Fakültesi Dergisi, 44 (2): 83-87.
6. Li, L., Xu, M., Wang, X., Jiang, L. ve Liu, H. (2019). Attention based glaucoma detection: A large-scale database and CNN model.
7. Uçar, M. (2021). Glokom hastalığının evrişimli sinir ağı mimarileri ile tespiti. Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 23 (68): 521-529.
8. Yıldırım, Ö. ve Altunbey Özbay, F. (2022). Fundus görüntülerinden derin öğrenme teknikleri ile glokom hastalığının tespiti. European Journal of Science and Technology.

9. Zou, J., Guo, W. ve Wang, F. (2023). A study on pavement classification and recognition based on VGGNet-16 transfer learning. Journal Name, 12: 3370.
10. Çetinkaya, S., Özeç, A. V., Özdemir, D., Kavakcı, Ö., Sümer, H. ve Erdoğan, H. (2013). Glokom hastalarının depresyon ve anksiyete belirti düzeyleri ile başa çıkma tutumları. Cumhuriyet Tıp Dergisi, 35: 39-50.