Göz hastalıklarının görüntü işleme ve derin öğrenme yöntemleriyle otomatik tespiti

Bilgisayar sistemleri günden güne gelişerek hayatımızın hemen her alanına girmektedir. Geliştirilen donanım ve yazılımların çeşitlenmesi, sağlık alanında da yenilikler getirmekte ve bu alanda kullanımların artmasına yol açmaktadır. Yapay Zekâ uygulamaları ile tıbbi gelişmelerin her geçen gün arttığı günümüzde göz hastalıklarının tespitinde de farklı sistemler geliştirilmektedir. Doktorlar çeşitli görüntüleme yöntemleri ile elde ettikleri hasta verilerine bakarak uzmanlık alanlarındaki bilgi ve tecrübelerini kullanarak yüksek başarıyla tanı koymakta ve tedaviye başlamaktadır. Bu teşhis ve tanı koyma aşamasında zaman zaman insani hatalar ortaya çıkabilmektedir. Günümüzde giderek artan hasta sayısı, göz hastalıklarının tespitinde doktorların iş yükünü artırmakta ve teşhis koyma sürelerini uzatmaktadır. Kaybedilen bu süre, söz konusu insan sağlığı olduğunda oldukça kritik olabilmektedir. Kısa sayılabilecek zaman kazanımları geri dönüşü olmayan hastalıkların önlenmesini sağlayabilmektedir. Bu nedenle bu alanda geliştirilecek sistemler hem zaman kazanımı sağlayabilecek hem de insani hata ihtimalini ortadan kaldıracaktır. Ortaya konulan çalışmada Ocular Disease Intelligent Recognition (ODIR) veri setinde mevcut 3358 adet fundus görüntüsü üzerinde Yapay Zekâ uygulamalarının alt dallarından Derin Öğrenme metodu kullanılmıştır. Veri setinde bulunan görüntüler Normal (N), Diyabet (D), Glokom (G), Katarakt (C), Yaşa Bağlı Makula Dejenerasyonu (A), Hipertansiyon (H), Patolojik Miyopi (M) ve Diğer Hastalıklar/Anormallikler (O) olmak üzere 8 dalda kategorize edilmiştir. Yöntemde, bu sınıflandırmalar yapılırken karar verebilmek için pek çok ön eğitimli model kullanılmış olup en başarılıları VGG16, ResNet50, ConvNeXtBase ve EfficienNetB0 olarak öne çıkmıştır. Elde edilen sonuçlar, çalışmada önerilen yöntemin veri setinde bulunan 10.000'den fazla kaydı %93,46 gibi bir doğruluk oranıyla sınıflandırabildiğini göstermektedir.