Optik koherens tomografi ve retinal fundus görüntüleri kullanılarak çok sınıflı ve çok etiketli göz hastalıklarının derin öğrenme tabanlı sınıflandırılması

Yapay zeka (YZ) teknikleri kullanılarak çok sınıflı ve çok etiketli görüntülerin sınıflandırılması problemi literatürde hala çalışmaya ihtiyaç duyulan önemli bir sorundur. Bu tez çalışmasında, tıbbi görüntüleme alanında Optik Koherens Tomografi (OKT) ve fundus görüntülerini kullanarak göz hastalıklarının sınıflandırılmasına yönelik geliştirilen Evrişimli Sinir Ağları (ESA) ve Hibrid Vizyon Transformer (HVİT) tabanlı derin öğrenme modellerinin çok sınıflı ve çok etiketli veri setleri üzerinde başarımı değerlendirilmiştir. OKT ve fundus görüntülerini içeren farklı veri setleri üzerinde gerçekleştirilen deneysel çalışmalar sonucunda önerilen modellerin genelleme kabiliyetleri ve literatürdeki mevcut yöntemlerle kıyaslamalı performansları kapsamlı şekilde analiz edilmiştir. Çalışmada halka açık OKT görüntülerini içeren Kermany UCSD, OCTDL ve OCTID veri setleri ile fundus görüntülerini içeren ODIR5K veri seti üzerinde deneysel çalışmalar yürütülmüştür. Bu OKT veri setleri çok sınıflı farklı hastalık sınıflarını içermekte olup, fundus veri seti ise çok sınıflı ve çok etiketli farklı hastalık sınıflarını içeren bir veri setidir. Çok sınıflı ve çok etiketli veri setlerinde sınıf dengesizliğini ortadan kaldırmak için çeşitli yaklaşımlar geliştirilmiş ve uygulanmıştır. Bu amaçla Çekişmeli Üretken Ağ (ÇÜA) tabanlı sentetik görüntü üretimi gerçekleştirilmiştir. OKT veri setleri üzerinde önerilen ESA tabanlı yöntem ile Kermany UCSD veri setinde gerçekleştirilen sınıflandırma çalışmasında sırasıyla; %96.5, %98,29, %99,56, %98,31 ve %98,3 doğruluk, F1-skoru, AUC, kesinlik ve duyarlılık değerleri elde edilmiştir. Ayrıca, yine aynı veri seti üzerinde önerilen HVİT modeli ile gerçekleştirilen sınıflandırma çalışmasında sırasıyla; %99.7, %99.7, %100, %99.9, %99.7 ve 0.99 doğruluk, F1-skoru, AUC, kesinlik, duyarlılık ve Kappa skoru elde edilmiştir. OCTDL veri setinde önerilen ESA tabanlı yöntem ile sırasıyla; %95.26, %92.16, %99.74, %93.11 ve %91.53 doğruluk, F1-skoru, AUC, kesinlik ve duyarlılık değerleri elde edilmiştir. Önerilen HVİT modeli ile de sırasıyla; %96.58, %96.06, %99.92, %96.65, %95.72 ve 0.86 doğruluk, F1-skoru, AUC, kesinlik, duyarlılık ve Kappa skoru elde edilmiştir. OCTID veri seti üzerinde önerilen ESA tabanlı yöntem ile sırasıyla; %93.81, %92.49, %99.96, %93.37 ve %92.23 doğruluk, F1-skoru, AUC, kesinlik ve duyarlılık değerleri elde edilirken, önerilen HVİT modeli ile de sırasıyla; %94.41, %94.14, %99.55, %94.02, %94.4 ve 0.82 doğruluk, F1-skoru, AUC, kesinlik, duyarlılık ve Kappa skoru elde edilmiştir. Fundus veri seti ODIR-5k üzerinde önerilen HVİT modeli ile sırasıyla; %81.14, %81.03, %97.99, %81.08, %81.16 ve 0.80 doğruluk, F1-skoru, AUC, kesinlik, duyarlılık ve Kappa skoru değerleri elde edilmiştir. Elde edilen sonuçlar, literatürde yapılan çalışmalarla kıyaslanmış ve önerilen modellerin OKT ve fundus görüntü sınıflandırma problemlerinde yüksek doğruluk, F1-skoru, Kappa skoru, kesinlik, duyarlılık ve AUC değerleriyle başarılı sonuçlar gösterdiği ortaya konulmuştur. Bununla birlikte sınıf dengesizliği ve veri çeşitliliği ile model genelleştirilebilirliği gibi faktörlerin de dikkate alınması gerektiği ve önerilen ESA ve HVİT modellerinin, klinik karar destek sistemlerinde güvenilir ve etkili çözümler sunma potansiyeline sahip olduğu sonucuna ulaşılmıştır.